TY - JOUR ID - 122191 TI - ارزیابی معماری‏های مختلف شبکۀ یادگیری عمیق در تشخیص تازگی تخم‏مرغ بر اساس سیگنال‏های صدا JO - تحقیقات مهندسی صنایع غذایی JA - FOODER LA - fa SN - 2645-4513 AU - لشگری, مجید AU - توکلی, حامد AU - محمدی گل, رضا AU - لطفی, ولی اله AD - گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی و محیط زیست، دانشگاه اراک AD - استادیار دانشگاه اراک AD - دانشکده کشاورزی. دانشگاه اراک AD - گروه مهندسی مکانیک بیوسیستم Y1 - 2021 PY - 2021 VL - 20 IS - 1 SP - 183 EP - 194 KW - آکوستیک KW - تازگی KW - شبکه عصبی کانولوشن KW - طبقه ‏بندی DO - 10.22092/fooder.2020.341923.1258 N2 - امنیت مواد غذایی که به‏ طور مستقیم با سلامت افراد جامعه در ارتباط است همواره مورد توجه تمامی کشورها بوده است. با توجه به اینکه تخم‏مرغ در بسیاری از صنایع غذایی مصرف می‏ شود و در برنامه غذایی روزانه بسیاری از مردم نیز قرار دارد، تشخیص تازگی آن نیز اهمیت بالایی خواهد داشت . در این تحقیق، قابلیت سامانه آکوستیک به ‏عنوان روشی غیرمخرب برای تشخیص تازگی تخم‏ مرغ بررسی شده است. نمونه ‏ها در دمای محیط به مدت 1، 4، 7، 10، 13 و 16 روز نگهداری شدند. پس از داده‏برداری، تمامی سیگنال‏های صدا با استفاده از طیف اسپکتروگرام به تصویر تبدیل شدند. در این تحقیق با استفاده از آزمون مخرب و با در نظر گرفتن دو معیار واحدِ هاو و ارتفاع کیسۀ هوا، میزان تازگی نمونه‏ ها ارزیابی شد. نتایج آزمون مخرب نشان داد که تمامی نمونه‏ های مربوط به روزهای 16و 13 و همچنین 80 درصد نمونه ‏های مربوط به روز 10 با افت کیفیت همراه بوده­اند که از نظر معیار درجه‏ بندی، جزو گروه غیرتازه و به عبارتی بی‏ کیفیت به شمار می‏ آیند. بنابراین، نمونه‏ ها به دو گروه تازه (روزهای 1، 4 و 7) و غیرتازه (روزهای 10، 13 و 16) تقسیم شدند. از چهار شبکۀ یادگیری عمیق از پیش‏ آموزش‏ دیده AlexNet، VGGNet، GoogLeNet و ResNet در این تحقیق استفاده شد. در بین این شبکه‏ ها، شبکۀ ResNet با میانگین دقت طبقه ‏بندی 71.5 درصد بهترین دقت را داشته است.   UR - https://fooder.areeo.ac.ir/article_122191.html L1 - https://fooder.areeo.ac.ir/article_122191_6b3ad83bbcf7080f29d9c92fd2290464.pdf ER -