信息技术与软件工程杂志
开放获取

抽象的

使用神经网络进行毛细管动力分析图像辨别

Mehmet S. Unluturk、Sevcan Unluturk、Fikret Pazir 和 Firoozeh Abdollahi

使用毛细管上升图像法（毛细管动力分解）评估有机和传统新鲜番茄（未加工）和冷冻番茄（加工）之间的质量差异。显示有机样品和传统样品之间差异最明显的最佳图片是用 0.25-0.75% 硝酸银、0.25-0.75% 硫酸铁和 30-100% 样品浓度制备的。但这些图像的视觉描述和分析是一个重大挑战。因此，人们研究了一种称为 Gram-Charlier 神经网络方法 (GCNN) 的新颖方法来对这些图像进行分类。为新鲜和冷冻病例创建了两个独立的 GCNN。他们接受了这两个案例中有机和传统番茄样品图片的训练。2048 x 1536 像素的色谱图像是在实验室中采集的，并裁剪为 1400 x 900 像素的图像，描绘了每种情况下的传统番茄或有机番茄。每个病例使用一组 20 张图像来训练每个 Gram-Charlier 神经网络。然后准备来自每个案例的一组新的 4 张图像来测试每个 GCNN 的性能。此外，还利用 Hinton 图来显示 GCNN 权重的最优性。总体而言，GCNN 的平均识别性能达到了 100%。这种高水平的认可表明 GCNN 是一种很有前途的毛细管动力分解图像辨别方法，并且其性能不依赖于番茄样品是新鲜还是冷冻。每个病例使用一组 20 张图像来训练每个 Gram-Charlier 神经网络。然后准备来自每个案例的一组新的 4 张图像来测试每个 GCNN 的性能。此外，还利用 Hinton 图来显示 GCNN 权重的最优性。总体而言，GCNN 的平均识别性能达到了 100%。这种高水平的认可表明 GCNN 是一种很有前途的毛细管动力分解图像辨别方法，并且其性能不依赖于番茄样品是新鲜还是冷冻。每个病例使用一组 20 张图像来训练每个 Gram-Charlier 神经网络。然后准备来自每个案例的一组新的 4 张图像来测试每个 GCNN 的性能。此外，还利用 Hinton 图来显示 GCNN 权重的最优性。总体而言，GCNN 的平均识别性能达到了 100%。这种高水平的认可表明 GCNN 是一种很有前途的毛细管动力分解图像辨别方法，并且其性能不依赖于番茄样品是新鲜还是冷冻。