تصنيف الفواكه والخضروات باستخدام MobileNetV2
إن تصنيف الفواكه والخضروات باستخدام الرؤية الحاسوبية يعد مهمة مهمة في العديد من الصناعات، مثل أنظمة الدفع الآلي للبقالة، والزراعة، وتتبع التغذية. في هذه الدراسة، نستخدم بنية MobileNetV2، وهي شبكة عصبية ملتوية خفيفة الوزن (CNN) مُحسّنة للأجهزة المحمولة والأجهزة الطرفية، لتصنيف أنواع مختلفة من الفواكه والخضروات. والهدف من هذا المشروع هو تحقيق دقة تصنيف عالية مع الحفاظ على الكفاءة للتطبيقات في الوقت الفعلي على الأجهزة المحمولة.
وصف البيانات
السياق تتضمن مجموعة البيانات هذه صورًا لفواكه وخضروات متنوعة، مما يوفر مجموعة متنوعة لمهام التعرف على الصور. وتشمل المواد الغذائية المضمنة: الفواكه: الموز والتفاح والكمثرى والعنب والبرتقال والكيوي والبطيخ والرمان والأناناس والمانجو الخضروات: الخيار والجزر والفلفل الحلو والبصل والبطاطس والليمون والطماطم والفجل والشمندر والملفوف والخس والسبانخ وفول الصويا والقرنبيط والفلفل الحلو والفلفل الحار واللفت والذرة والذرة الحلوة والبطاطا الحلوة والفلفل الحلو والفلفل الحار والزنجبيل والثوم والبازلاء والباذنجان المحتوى تم تنظيم مجموعة البيانات في ثلاثة مجلدات رئيسية: التدريب: يحتوي على 100 صورة لكل فئة. الاختبار: يحتوي على 10 صور لكل فئة. التحقق: يحتوي على 10 صور لكل فئة. يتم تقسيم كل من هذه المجلدات إلى مجلدات محددة لكل نوع من أنواع الفاكهة والخضروات، وتحتوي على صور خاصة بها.
النتائج
تم تقييم أداء التصنيف باستخدام مقاييس مثل الدقة والتذكر ودرجة F1 والدعم. فيما يلي ملخص للنتائج: دقة النموذج: الدقة الإجمالية: 97.7% حقق النموذج دقة إجمالية مذهلة بلغت 97.7%، مما يدل على أن MobileNetV2 فعال للغاية في مهمة التصنيف هذه. الدقة والتذكر ودرجة F1: تم حساب الدقة والتذكر ودرجة F1 لكل فئة. تشير هذه المقاييس إلى مدى قدرة النموذج على التمييز بين الفواكه والخضروات المختلفة. الدقة: تراوحت درجات الدقة من 0.75 (الفلفل الحار) إلى 1.00 لمعظم الفئات الأخرى. التذكر: كانت درجات التذكر عالية في الغالب، حيث تراوحت من 0.70 (الثوم) إلى 1.00 لمعظم الفئات. نتيجة F1: كانت نتائج F1، التي توازن بين الدقة والتذكر، قوية بشكل مماثل، حيث تراوحت من 0.78 (الثوم) إلى 1.00 للعديد من الفئات.
