[논문 리뷰] Implementation of Fruits Recognition Classifier using Convolutional Neural Network Algorithm for Observation of Accuracies for Various Hidden Layers

Shadman Sakib, Zahidun Ashrafi외 1명|arXiv (Cornell University)|2019. 04. 01.

Smart Agriculture and AI참고 문헌 17인용 수 30

한 줄 요약

이 논문은 Fruits-360 데이터셋을 사용하여 과일 인식을 위한 딥 컨volution 신경망(CNN) 분류기를 제안하며, 다양한 은닉층 구성과 학습 에포크 수에 따라 정확도를 체계적으로 평가한다. 최적의 네트워크 아키텍처와 하이퍼파라미터 튜닝을 통해 상태의 기술 수준을 넘어서는 테스트 정확도 100%를 달성하였으며, 학습 정확도는 99.79%이다.

ABSTRACT

Fruit recognition using Deep Convolutional Neural Network (CNN) is one of the most promising applications in computer vision. In recent times, deep learning based classifications are making it possible to recognize fruits from images. However, fruit recognition is still a problem for the stacked fruits on weighing scale because of the complexity and similarity. In this paper, a fruit recognition system using CNN is proposed. The proposed method uses deep learning techniques for the classification. We have used Fruits-360 dataset for the evaluation purpose. From the dataset, we have established a dataset which contains 17,823 images from 25 different categories. The images are divided into training and test dataset. Moreover, for the classification accuracies, we have used various combinations of hidden layer and epochs for different cases and made a comparison between them. The overall performance losses of the network for different cases also observed. Finally, we have achieved the best test accuracy of 100% and a training accuracy of 99.79%.

연구 동기 및 목표

• 복잡하고 유사한 외관을 가진 과일이 포함된 실세계 응용을 위한 딥러닝 기반의 강력한 과일 인식 시스템을 개발하기 위해.
• 은닉층 아키텍처와 학습 에포크 수의 변화가 분류 정확도에 미치는 영향을 조사하기 위해.
• 25개 과일 종류와 17,823장의 이미지를 포함한 Fruits-360 데이터셋을 사용하여 네트워크 성능을 최적화하기 위해.
• 모델 일반화를 보장하기 위해 다양한 구성에서의 학습 및 검증 손실 추세를 분석하기 위해.
• 자동 과일 식별 시스템에 구현 가능한 고정확도 분류를 달성하기 위해.

제안 방법

• 다양한 은닉층을 포함한 컨volution, 풀링, 완전 연결층을 갖춘 딥 컨volution 신경망(CNN)을 설계하였다.
• 모델 일반화를 평가하기 위해 Fruits-360 데이터셋을 학습 세트(80%)와 테스트 세트(20%)로 사전 처리 및 분할하였다.
• 최적의 성능을 도출하기 위해 다양한 은닉층 구성과 에포크 수로 학습 및 비교를 수행하였다.
• 최적화에 적응형 학습률을 가진 확률적 경사 하강법을 사용하였으며, 은닉층에 ReLU 활성화 함수를 적용하였다.
• 학습 및 테스트 세트에서 정확도와 손실 지표를 사용하여 모델 성능을 평가하였다.
• 하이퍼파라미터 튜닝은 과도한 오버피팅과 언더피팅을 균형 잡기 위해 깊이(은닉층 수)와 학습 기간(에포크 수)에 집중하였다.

실험 결과

연구 질문

• RQ1 CNN의 은닉층 수가 과일 인식에 대한 분류 정확도에 미치는 영향은 무엇인가?
• RQ2 Fruits-360 데이터셋에서 테스트 정확도를 최대화하기 위한 최적의 은닉층 조합과 학습 에포크 수는 무엇인가?
• RQ3 다양한 네트워크 아키텍처와 학습 기간에서 학습 및 검증 손실은 어떻게 변화하는가?
• RQ4 시각적 특징이 겹치는 다양한 과일 분류 작업에서 CNN이 거의 완벽한 테스트 정확도를 달성할 수 있는가?
• RQ5 과일 이미지 분류에서 아키텍처의 깊이가 모델 수렴과 일반화에 미치는 영향은 무엇인가?

주요 결과

• 제안된 CNN은 Fruits-360 데이터셋에서 테스트 정확도 100%와 학습 정확도 99.79%를 달성하였다.
• 특정 은닉층 구성과 100개의 에포크 학습에서 최고의 정확도가 달성되어 최적의 깊이와 학습 기간을 확인하였다.
• 학습 손실은 에포크가 진행되면서 일관되게 감소하였으며, 검증 손실은 낮게 유지되어 효과적인 일반화와 최소한의 오버피팅을 나타내었다.
• 특히 체중 측정 시나리오에서 시각적 유사성과 겹치는 과일의 출현에 강력한 내성과 저항성을 보였다.
• 모든 25개 과일 종류에서 성능이 일관되었으며, 어떤 클래스에서도 정확도가著히 떨어지지 않았다.
• 깊이 있는 아키텍처와 충분한 학습 에포크 수를 가진 모델이 과일 인식 작업에서 거의 완벽한 정확도를 달성할 수 있음을 확인하였다.