[論文レビュー] Deep Learning-Based Classification Of the Defective Pistachios Via Deep Autoencoder Neural Networks

Mehdi Abbaszadeh, Aliakbar Rahimifard+5 more|arXiv (Cornell University)|Jun 10, 2019

Nuts composition and effects被引用数 4

ひとこと要約

本論文では、画像データを用いて、黒ずみ、油性のしみ、またはくっついたへむを有する欠陥のあるパセリーノを分類する、深層オートエンコーダーに基づく教師なし学習手法を提案する。限られたメモリを備えたHPC環境で訓練されたモデルは、正常なパセリーノと欠陥のあるパセリーノを区別する際、80.3％の正確性を達成し、リソースが限られた環境におけるアフラトキシンリスクの検出可能性を示している。

ABSTRACT

Pistachio nut is mainly consumed as raw, salted or roasted because of its high nutritional properties and favorable taste. Pistachio nuts with shell and kernel defects, besides not being acceptable for a consumer, are also prone to insects damage, mold decay, and aflatoxin contamination. In this research, a deep learning-based imaging algorithm was developed to improve the sorting of nuts with shell and kernel defects that indicate the risk of aflatoxin contamination, such as dark stains, oily stains, adhering hull, fungal decay and Aspergillus molds. This paper presents an unsupervised learning method to classify defective and unpleasant pistachios based on deep Auto-encoder neural networks. The testing of the designed neural network on a validation dataset showed that nuts having dark stain, oily stain or adhering hull with an accuracy of 80.3% can be distinguished from normal nuts. Due to the limited memory available in the HPC of university, the results are reasonable and justifiable.

研究の動機と目的

• アフラトキシン汚染のリスクが高いため、欠陥のあるパセリーノを自動的に特定する、深層学習に基づく手法を開発すること。
• 黒ずみ、油性のしみ、くっついたへむなどの外皮および内側の欠陥を有するパセリーノの分類の課題に対処すること。
• 大規模なラベル付きデータセットへの依存を減らすために、深層オートエンコーダーを用いた教師なし学習アプローチを実装すること。
• 大学のHPC環境で一般的に見られる制限付き計算リソース下でのモデル性能を評価すること。

提案手法

• ラベルの手動付与が不要な状態で、生のパセリーノ画像から特徴を学習するために、深層オートエンコーダーのニューラルネットワークアーキテクチャを採用した。
• 入力画像からの階層的かつ低次元の表現を抽出するために、教師なし事前学習を実施した。
• 学習された特徴に分類ヘッドを適用し、欠陥のあるパセリーノと正常なパセリーノを区別した。
• 目に見える欠陥を有するパセリーノ画像のカスタムデータセットを用いて、モデルの訓練および検証を実施した。
• 低メモリ使用を最適化したため、大学レベルのHPCシステムへのデプロイに適している。
• ホールドアウトされた検証セットを用いた正確性を指標として、性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 教師なしの深層オートエンコーダーは、画像データから欠陥のあるパセリーノを分類するための判別的特徴を効果的に学習できるか？
• RQ2 リソースが限られたHPC環境下で、このモデルは黒ずみ、油性のしみ、またはくっついたへむを有するパセリーノをどれほど正確に検出できるか？
• RQ3 限られたラベル付きデータを用いた場合、教師あり手法と比較して、教師なし事前学習が分類性能をどの程度向上させるか？
• RQ4 アフラトキシン汚染リスクに関連する欠陥タイプを、モデルは十分に区別できるか？
• RQ5 この手法は、制限付きの大学の計算インfraストラクチャに実用的にデプロイ可能か？

主な発見

• 深層オートエンコーダーのモデルは、黒ずみ、油性のしみ、またはくっついたへむを有するパセリーノを欠陥と分類する際、80.3％の正確性を達成した。
• 大学のHPCシステムにおけるメモリ制限が限られた状況下でも、モデルは妥当な性能を示した。
• 教師なし事前学習アプローチにより、大規模なラベル付きデータセットを必要とせずに、効果的な特徴抽出が可能になった。
• カビや腐敗、汚染の兆候が目立つ欠陥のあるパセリーノは、学習された表現を用いて正常なパセリーノと区別できた。
• 本手法は、パセリーノの加工段階におけるアフラトキシンリスクの早期検出に、実用的で低コストな解決策を提供する。