Σύστημα πρόβλεψης για την ταξινόμηση διαφορετικών ειδών και ποικιλιών σπόρων δημητριακών

Abstract

Για χιλιάδες χρονιά τα δημητριακά αποτελούν μια σταθερή πηγή τροφής για τους ανθρώπους και τα ζώα. Η ποιότητα των προϊόντων δημητριακών είναι άρρηκτα συνδεδεμένη με την ποιότητα των σπορών τους καθώς υψηλής ποιότητας σπόροι είναι πιο πιθανό να δημιουργήσουν υγιή φυτά με υψηλές αποδόσεις. Επί του παρόντος η αναγνώριση σπόρων είναι μια πολύπλοκη και χρονοβόρα διαδικασία η οποία διεξάγεται μέσω χειρωνακτικού ελέγχου. Ωστόσο με την βοήθεια των νευρωνικών δικτυών η διαδικασία της ταξινόμησης μπορεί να αυτοματοποιηθεί οδηγώντας έτσι σε ταχύτερα και πιο ακριβή αποτελέσματα. Στην εργασία αυτή προτείνεται ένα μοντέλο πρόβλεψης βαθιάς μάθησης ικανό να ταξινομήσει σπόρους δημητριακών από διαφορετικά είδη και ποικιλίες (Κριθάρι Τριπτόλεμος, Δήμητρα, βρόμη Φλεγα, βρόμη Πήγασος, σκληρό σιτάρι Σέλλας και σιτάρι Λεβάντε). Για την ανάπτυξη του μοντέλου πρόβλεψης δοκιμάστηκαν τρεις παραλλαγές από κοινές αρχιτεκτονικές, συνελικτικών νευρωνικών δικτυών (CNN). Για την αξιολόγηση της αποτελεσματικότητας των προτεινόμενων μοντέλων, χρησιμοποιήθηκε ένα σύνολο δεδομένων που περιλαμβάνει 12.720 μεμονωμένες εικόνες σπόρων, που καταγράφηκαν με χρήση ψηφιακής κάμερας. Τα αποτελέσματα έδειξαν ακρίβεια ταξινόμησης που κυμαίνονταν από 65% έως 97%. Οι υψηλότερες ακρίβειες δοκιμών επιτεύχθηκαν χρησιμοποιώντας τις παραλλαγές των αρχιτεκτονικών ResNet50 και Xception που ανέρχονται στο 97%. Κατά συνέπεια, τα αποτελέσματα της προτεινόμενης προσέγγισης είναι ακριβή και αξιόπιστα, ενθαρρύνοντας την πρακτική εφαρμογή της.