Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 3

Adaptive Deep Learning with Optimization Hybrid Convolutional Neural Network and Recurrent Neural Network for Prediction Lemon Fruit Ripeness

Adaptacyjne głębokie uczenie się z optymalizacją Hybrydowa splotowa sieć neuronowa i rekurencyjna sieć neuronowa do przewidywania dojrzałości owoców cytryny

10.15199/48.2024.03.36

nr katalogowy: 147758
10.15199/48.2024.03.36

Streszczenie

Lemon is a valuable fruit in the citrus family; optimal usage requires careful selection. The study categorized lemon suitability prediction int 4 classes based on image data. A hybrid neural network, combining Convolutional and Recurrent Neural Networks, was optimized with the Particle Swarm Optimization algorithm. Experimental results were compared to using Convolutional Neural Network alone. The prediction yielded 89.83% training accuracy and 66.06% testing accuracy. However, combining the results increased training accuracy to 91.58% and testing accuracy to 86.76%.

Abstract

Cytryna to owoc należący do bardzo pożytecznej rodziny cytrusów, ale aby można było z niej korzystać w celu maksymalizacji korzyści płynących z cytryny, konieczne jest wybranie zachowania przydatności do spożycia. Dlatego w tym badaniu przewidywanie przydatności cytryny jest podzielone na 4 klasy przy użyciu obrazów jako danych do badań. Wyniki predykcji w badaniach z wykorzystaniem połączonej sieci neuronowej pomiędzy Convulotinal Nerual Network i Recurrent Nerual Network z optymalizacją parametrów algorytmem Particle Swarm Optimization, wyniki eksperymentalne porównano z wykorzystaniem wyłącznie Convulotinal Nerual Network. Dla predykcji wynik treningu to 89,83%, a wynik testu to 66,06%, natomiast wynik kombinacji wyników treningu to 91,58% i wynik testu to 86,76%.

Słowa kluczowe

Keywords

Bibliografia

[1] R. Sharma, “A detailed guide on the meaning importance,j and future of neural networks,” Blog of Artificial Intelligence and Machine Learning, (2022), Available on https://emeritus:org/in/learn/ai-ml-neural-networks/
[2] P. Anurak, “What is a deep learning neural network?” Thai Config Company Limited, (2023), Available on https://thaiconfig:com/artificial-intelligence-ai/what-isdeeplearning/
[3] H. S. Gill and B. S. Khehra, “Fruit image classification using deep learning,” Research Square, vol. 1, pp. 1–9, (2022), available on https://doi:org/10:21203/rs:3:rs-574901/v1
[4] M. Khatun, J. Nine, P. Sarker, and et.al., “Fruits classification using convolutional neural network,” Journals- Global Research and Development Journal for Engineering, (2020), vol. 5, no. 8, pp. 1–5.
[5] R. Pathak and H. Makwana, “Classification of fruits using convolutional neural network and transfer learning models,” Journal of Management Information and Decision Sciences, (2021). vol. 24, no. S3, pp. 1–12.
[6] M. Aznin, S. Ahmed, and et.al., “Fruits classification and detection application using deep learning,” Hindawi Scientific Programming, vol. 2022, pp. 1–16, (2022), https://doi:org/10:1155/ 2022/4194874
[7] K. Shankar, S. Kumar, and et.al., “An automated hyperparameter tuning recurrent neural network model for fruit classification,” Mathematics (MDPI), (2022), vol. 10, no. 13, pp. 1–18. Available on: https://doi:org/10:3390/math10132358
[8] G. Xue, S. Liu, and Y. Ma, “A hybrid deep learning-based fruit classification using attention model and convolution autoencoder,” Complex and Intelligent Systems, (2023), vol. 9, pp. 2209–2219. Available on: https://doi:org/10:1007/s40747- 020-00192-x
[9] C. C. Ukwuoma, Q. Zhiguang, and et.al., “Recent advancements in fruit detection and classification using deep learning techniques,” Hindawi Mathematical Problems in Engineering, (2022), vol. 2022, pp. 1–29. Available on: https://doi:org/10:1155/2022/9210947
[10] M. Ware, “How can lemons benefit your health?” Medical News Today, (2019), Available on https://www:medicalnewstoday:com/articles/283476
[11] P. Greenhalgh, “Lemon,” IFEAT Socio-Economic Report, (2021), Available on https://ifeat:org/wp-content/ uploads/2021/09/Socio-Economic-Report-on-Lemon-2021:pdf
[12] Y. H. R. Hung, H. J. Lin, and et.al., “Effect of lemon essential oil on the microbial control, physicochemical properties, and aroma profiles of peeled shrimp,” LWT Food Science and Technology, (2023), vol. 173, pp. 1–9.
[13] C. Y. Hsieh, S. Hsieh, J. Y. Ciou, and et.al., “Lemon juice bioactivity in vitro increased with lactic acid fermentation,” International Journal of Food Properties, (2020), vol. 24, no. 1, pp. 28–40. Available on: https://doi:org/10:1080/10942912:2020:1861008
[14] D. C. F. Rayner, “Optimization for heuristic search,” ERA, (2014), Available on https://era:library:ualberta:ca/ items/57ecc087-1494-41b0-aa98-8f3bedcaa25f
[15] D. Karaboga and C. Ozturk, “A novel clustering approach: Artificial bee colony (abc) algorithm,” (2011), vol. 11, pp. 652– 657.
[16] X.-S. Yang, “Nature-inspired algorithms,” in Nature-Inspired Optimization Algorithms, Ed. Oxford: Elsevier, (2014), p. i. ISBN 978-0-12-416743-8.
[Online]. Available on: https://www:sciencedirect:com/science/article/pii/B9780124167 438000166
[17] V. Kenny. “Heuristic algorithms,” Optimization, (2014), Available on: https://optimization:mccormick:northwestern:edu/index:php/ Heuristic/Algorithms
[18] F. E. Fernandes and G. G. Yen, “Particle swarm optimization of deep neural networks architectures for image classification,” Swarm and Evolutionary Computation, (2019), vol. 49, pp. 62– 74. Available on https://doi:org/10:1016/j:swevo 05:010
[19] A. Ghosh, A. Sufian, F. Sultana, and et.al., Fundamental Concepts of Convolutional Neural Network. ResearchGate, Jan (2020), DOI:10:1007/978-3-030-32644-9 36
[20] Aishwarya, “Introduction to recurrent neural network,” Machine Larning, (2021), Available on: https://www:geeksforgeeks:org/introduction-to-recurrent-neuralnetwork/
[21] Shaadk7865, “Particle swarm optimization (pso) an overview,” GeeksforGeeks, (2023), Available on : https://www:geeksforgeeks:org/particle-swarm-optimizationpsoan-overview/#article-meta-div
[22] Y. Lu, “Food image recognition by using convolutional neural networks (cnns),” Computer Vision and Pattern Recognition (cs arXiv:1612.00983), (2019), vol. 2, pp. 1–6. Available on: https://doi:org/10:48550/arXiv:1612:00983
[23] S. Hou, Y. Feng, Z. Wang, and Vegfru, “A domain-specific dataset for fine-grained visual categorization,” In Proceedings of the 2017 IEEE International Conference on Computer Vision, (2017), pp. 541–549.
[24] N. Aherwadai, U. Mittai, J. Singla, and et. al., “Prediction of fruit maturity, quality, and its life using deep learning algorithms,” Electronics 2022, (2022), vol. 11, no. 24, pp. 1–13. https://doi:org/10:3390/electronics11244100
[25] T. Khan, J. Qiu, M. A. A. Qureahi, and et. al., “Agricultural fruit prediction using deep neural networks,” Procedia Computer Science, (2022), vol. 174, pp. 72–78. Available on: https://doi:org/10:1016/j:procs:2020:06:058

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-3 , nr katalogowy 147758 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-3 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-3

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma