Banana Ripeness Level Classification using a Simple CNN Model Trained with Real and Synthetic Datasets

要約

熟度のレベルは、バナナの品質を決定するのに不可欠です。
バナナの成熟度を正しく推定するには、国際的なマーケティング基準の指標を考慮する必要があります。
ただし、産業レベルでのバナナの成熟度を評価するプロセスは、手動の方法を使用して実行されます。
CNNモデルの使用は、問題を解決するための魅力的なツールですが、これらのモデルを確実にトレーニングするのに十分なデータの可用性に関する制限があります。
一方、最先端の既存のCNNモデルと利用可能なデータは、バナナの成熟度を特定する際に精度の結果が許容できることを報告しています。
このため、この作業は、さまざまなレベルのバナナの熟度の実際のデータと合成データを組み合わせた堅牢なデータセットの生成を示しています。
さらに、合成データで訓練された単純なCNNアーキテクチャを提案し、転送学習手法を使用して、モデルが改善され、実際のデータを分類し、バナナの成熟度を決定することができます。
提案されたCNNモデルはいくつかのアーキテクチャで評価され、その後、ハイパーパラメーター構成がさまざまであり、オプティマイザーが使用されます。
結果は、提案されているCNNモデルが0.917の高精度と速い実行時間に達することを示しています。

要約(オリジナル)

The level of ripeness is essential in determining the quality of bananas. To correctly estimate banana maturity, the metrics of international marketing standards need to be considered. However, the process of assessing the maturity of bananas at an industrial level is still carried out using manual methods. The use of CNN models is an attractive tool to solve the problem, but there is a limitation regarding the availability of sufficient data to train these models reliably. On the other hand, in the state-of-the-art, existing CNN models and the available data have reported that the accuracy results are acceptable in identifying banana maturity. For this reason, this work presents the generation of a robust dataset that combines real and synthetic data for different levels of banana ripeness. In addition, it proposes a simple CNN architecture, which is trained with synthetic data and using the transfer learning technique, the model is improved to classify real data, managing to determine the level of maturity of the banana. The proposed CNN model is evaluated with several architectures, then hyper-parameter configurations are varied, and optimizers are used. The results show that the proposed CNN model reaches a high accuracy of 0.917 and a fast execution time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google