ارزيابي معماري‏هاي مختلف شبكۀ يادگيري عميق در تشخيص تازگي تخم‏مرغ بر اساس سيگنال‏هاي صدا

امنيت مواد غذايي كه به‏ طور مستقيم با سلامت افراد جامعه در ارتباط است همواره مورد توجه تمامي كشورها بوده است. با توجه به اينكه تخم‏مرغ در بسياري از صنايع غذايي مصرف مي‏ شود و در برنامه غذايي روزانه بسياري از مردم نيز قرار دارد، تشخيص تازگي آن نيز اهميت بالايي خواهد داشت . در اين تحقيق، قابليت سامانه آكوستيك به ‏عنوان روشي غيرمخرب براي تشخيص تازگي تخم‏ مرغ بررسي شده است. نمونه ‏ها در دماي محيط به مدت 1، 4، 7، 10، 13 و 16 روز نگهداري شدند. پس از داده‏برداري، تمامي سيگنال‏هاي صدا با استفاده از طيف اسپكتروگرام به تصوير تبديل شدند. در اين تحقيق با استفاده از آزمون مخرب و با در نظر گرفتن دو معيار واحدِ هاو و ارتفاع كيسۀ هوا، ميزان تازگي نمونه‏ ها ارزيابي شد. نتايج آزمون مخرب نشان داد كه تمامي نمونه‏ هاي مربوط به روزهاي 16و 13 و همچنين 80 درصد نمونه ‏هاي مربوط به روز 10 با افت كيفيت همراه بوده اند كه از نظر معيار درجه‏ بندي، جزو گروه غيرتازه و به عبارتي بي‏ كيفيت به شمار مي‏ آيند. بنابراين، نمونه‏ ها به دو گروه تازه (روزهاي 1، 4 و 7) و غيرتازه (روزهاي 10، 13 و 16) تقسيم شدند. از چهار شبكۀ يادگيري عميق از پيش‏ آموزش‏ ديده AlexNet، VGGNet، GoogLeNet و ResNet در اين تحقيق استفاده شد. در بين اين شبكه‏ ها، شبكۀ ResNet با ميانگين دقت طبقه ‏بندي 71.5 درصد بهترين دقت را داشته است.