Klasifikasi jenis beras menggunakan metode convolutional neural network pada arsitektur mobilenet

Abstrak :

Metode Convolutional Neural Network (CNN) memiliki macam-macam model arsitektur yang dapat digunakan pada proses klasifikasi jenis beras berdasarkan citranya. Klasifikasi dapat lebih mudah digunakan jika arsitektur CNN dapat diterapkan pada perangkat Android yang umum digunakan.
Model arsitektur yang digunakan pada proses klasifikasi ini adalah arsitektur MobileNet dengan metode Feature Extraction (ekstraksi fitur). Arsitektur tersebut digunakan pada proses pelatihan dan pengujian pada Google Colaboratory. Hasil pelatihan tersebut disimpan dalam format .tflite untuk diimpor sebagai Assets pada Android Studio agar dapat diimplementasikan pada program Android.
Hasil pelatihan dan pengujian pada Google Colaboratory memiliki dataset yang memiliki ukuran 224x224 piksel. Hasil pelatihan dari arsitektur MobileNet pada dataset baik bernilai 1.0 dan nilai akurasi validasi sekitar 0.9333. Sedangkan pada dataset buruk akurasi pelatihan bernilai 1.0 dan nilai akurasi validasinya menurun menjadi 0.6889. Kemudian hasil pelatihan pada perangkat Android untuk masing-masing beras dalam 5 kali pengujian pada 3 kondisi cahaya yang berbeda adalah Beras Basmathi, Beras Hitam dan Beras Merah mecapai akurasi 100% pada semua kondisi cahaya. Beras IR 64 memiliki hasil akurasi mencapai 80% untuk cahaya putih, 60% untuk cahaya kuning, dan 100% untuk campuran cahaya putih dan kuning. Beras Ketan memiliki hasil akurasi mencapai 80% untuk cahaya putih, 100% untuk cahaya kuning, dan 80% untuk campuran cahaya putih dan kuning. Faktor yang dapat mempengaruhi perbedaan hasil pengujian pada perangkat Android adalah jarak obyek, kondisi cahaya, dan kualitas gambar.

Abstrak:

The Convolutional Neural Network (CNN) method has various architectural models that can be used in the process of classifying rice types based on their image. Classification can be easier to use if the CNN architecture can be applied to commonly used Android devices.
The architectural model used in this classification process is the MobileNet architecture with the Feature Extraction method. The architecture is used in the training and testing process at Google Collaboratory. The training results are saved in .tflite format to be imported as Assets in Android Studio so that they can be implemented in Android programs.
The results of training and testing on Google Collaboratory have a dataset that has a size of 224x224 pixels. The training results from the MobileNet architecture on the dataset are both 1.0 and the validation accuracy value is around 0.9333. Meanwhile, in the bad dataset, the training accuracy is 1.0 and the validation accuracy value decreases to 0.6889. Then the results of the training on Android devices for each rice in 5 tests in 3 different light conditions are Basmathi Rice, Black Rice and Red Rice achieving 100% accuracy in all light conditions. Rice IR 64 has an accuracy of 80% for white light, 60% for yellow light, and 100% for a mixture of white and yellow light. Glutinous Rice has an accuracy of 80% for white light, 100% for yellow light, and 80% for a mixture of white and yellow light. Factors that can affect the difference in test results on Android devices are object distance, light conditions, and image quality.

Abstrak:

تحتوي الشبكة العصبية التلافيفية (CNN) على مجموعة متنوعة من البنى التي يمكن استخدامها في عملية تصنيف أنواع الأرز بناءً على صورتها. يمكن أن يكون التصنيف أسهل في الاستخدام إذا كان من الممكن تطبيق بنية CNN على أجهزة أندرويد شائعة الاستخدام.
الهندسة المستخدمة في هذا التصنيف هي بنية شبكة المحمول مع طريقة استخراج الميزة. يتم استخدام البنية في عملية التدريب والاختبار في غوغل التعاونية. يتم حفظ نتائج التدريب بتنسيق . تفلايت ليتم استيرادها كأصول في الاستوديو أندرويد بحيث يمكن تنفيذها في برامج أندرويد. تحتوي نتائج التدريب والاختبار على غوغل التعاونية على مجموعة بيانات بمقاس ٢٢٤ × ٢٢٤ بكسل. وصلت نتائج التدريب من بنية شبكة المحمول على مجموعتي البيانات إلى ١.٠ ووصلت قيمة دقة التحقق إلى حوالي ٠.٩٣٣٣. وفي الوقت نفسه ، في مجموعة البيانات السيئة ، تصل دقة التدريب إلى ١.٠ وتنخفض قيمة دقة التحقق إلى ٠.٦٨٨٩. ثم نتائج التدريب على جهاز أندرويد لكل أرز في 5 اختبارات في 3 ظروف إضاءة مختلفة هي أرز بسمثي ، أرز أسود وأرز أحمر محققة دقة ١٠٠٪ في جميع ظروف الإضاءة. تتميز أرز IR ٦٤ بدقة ٨٠٪ للضوء الأبيض و ٦٠٪ للضوء الأصفر و ١٠٠٪ لمزيج من الضوء الأبيض والأصفر. الأرز الدبق لديه دقة ٨٠٪ للضوء الأبيض و ١٠٠٪ للضوء الأصفر و ٨٠٪ لمزيج من الضوء الأبيض والأصفر. العوامل التي يمكن أن تؤثر على الاختلاف في نتائج الاختبار على أجهزة أندرويد هي مسافة الكائن وظروف الإضاءة وجودة الصورة.