[논문 리뷰] Deep Learning-Based Classification Of the Defective Pistachios Via Deep Autoencoder Neural Networks

Mehdi Abbaszadeh, Aliakbar Rahimifard외 5명|arXiv (Cornell University)|2019. 06. 10.

Nuts composition and effects인용 수 4

한 줄 요약

이 논문은 어두운 반점, 기름기 있는 반점, 또는 붙어 있는 껍질이 있는 땅콩의 결함 유형을 식별하기 위해 영상 데이터를 사용하는 딥 오토인코더 기반 비지도 학습 방법을 제안한다. 제한된 메모리 환경을 갖춘 고성능 컴퓨팅(HPC) 환경에서 훈련된 모델은 정상 땅콩과 결함이 있는 땅콩을 구분하는 데 80.3%의 정확도를 달성하여 자생적 아프라토신 위험 탐지에 대한 가능성을 입증한다.

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.

연구 동기 및 목표

• 아프라토신 오염 위험이 있는 땅콩의 결함을 자동으로 식별할 수 있는 자동화된 딥 러닝 기반 방법을 개발하기 위해.
• 어두운 반점, 기름기 있는 반점, 붙어 있는 껍질 등의 껍질 및 겉씨 부분 결함을 가진 땅콩을 분류하는 데 도전하는 것.
• 대규모 레이블이 부여된 데이터셋에 대한 의존도를 줄이기 위해 딥 오토인코더를 활용한 비지도 학습 접근법을 구현하기 위해.
• 대학의 HPC 환경에서 흔히 볼 수 있는 제약된 계산 자원 조건에서 모델 성능을 평가하기 위해.

제안 방법

• 수동 레이블링이 필요 없이 원시 땅콩 영상에서 특징을 학습하기 위해 딥 오토인코더 신경망 아키텍처를 사용하였다.
• 입력 영상에서 계층적이고 저차원의 표현을 추출하기 위해 비지도 사전 훈련을 수행하였다.
• 학습된 특징에 분류 헤드를 적용하여 결함이 있는 땅콩과 정상 땅콩을 구분하였다.
• 눈에 띄는 결함이 있는 땅콩 영상의 맞춤형 데이터셋을 사용해 모델을 훈련하고 검증하였다.
• 저메모리 사용을 최적화하여 대학 수준의 HPC 시스템에 배포하기에 적합하도록 하였다.
• 보류된 검증 세트에서의 정확도를 사용해 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 비지도 딥 오토인코더는 영상 데이터에서 땅콩의 결함을 분류하기 위한 분류 가능한 특징을 효과적으로 학습할 수 있는가?
• RQ2 저자원 HPC 환경에서 어두운 반점, 기름기 있는 반점, 또는 붙어 있는 껍질이 있는 땅콩을 얼마나 정확하게 탐지할 수 있는가?
• RQ3 제한된 레이블이 부여된 데이터로 인해 비지도 사전 훈련이 지도 학습 대비 분류 성능 향상에 얼마나 기여하는가?
• RQ4 아프라토신 오염 위험과 관련된 결함 유형을 구분할 수 있을 정도로 모델이 강건한가?
• RQ5 이 방법은 제약된 대학 컴퓨팅 인프라에서 실제로 구현 가능한가?

주요 결과

• 딥 오토인코더 모델은 어두운 반점, 기름기 있는 반점, 또는 붙어 있는 껍질이 있는 땅콩을 결함이 있는 것으로 분류하는 데 80.3%의 정확도를 달성하였다.
• 대학의 HPC 시스템에서 메모리가 제한된 상황에서도 모델은 합리적인 성능을 보였다.
• 비지도 사전 훈련 접근법을 통해 대규모 레이블이 부여된 데이터셋이 없어도 효과적인 특징 추출이 가능했다.
• 곰팡이, 부패 또는 오염의 눈에 띄는 징후가 있는 결함 땅콩은 학습된 표현을 통해 정상 땅콩과 구분할 수 있었다.
• 이 방법은 땅콩 가공에서 아프라토신 위험 조기 탐지에 실현 가능하고 저비용의 솔루션을 제공한다.