[论文解读] 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 4

一句话总结

本文提出了一种基于深度自编码器的无监督学习方法，利用图像数据对有深色斑点、油性斑点或附着果壳的缺陷巴旦木进行分类。在有限内存的高性能计算（HPC）环境下训练，该模型在区分有缺陷与正常巴旦木方面达到了80.3%的准确率，证明了其在低资源环境下检测黄曲霉毒素风险的可行性。

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.

研究动机与目标

• 开发一种自动化的、基于深度学习的方法，以识别易受黄曲霉毒素污染的缺陷巴旦木。
• 解决对带有外壳和果仁缺陷（如深色斑点、油性斑点和附着果壳）的巴旦木进行分类的挑战。
• 采用基于深度自编码器的无监督学习方法，以减少对大规模标注数据集的依赖。
• 在典型大学HPC环境中常见的计算资源受限条件下评估模型性能。

提出的方法

• 采用深度自编码器神经网络架构，从原始巴旦木图像中学习特征，无需人工标注。
• 使用无监督预训练从输入图像中提取分层的、低维表示。
• 在学习到的特征上应用分类头，以区分有缺陷与正常的巴旦木。
• 在包含可见缺陷的自定义巴旦木图像数据集上进行模型训练与验证。
• 针对低内存使用进行优化，使其适用于大学级HPC系统的部署。
• 使用保留的验证集上的准确率评估模型性能。

实验结果

研究问题

• RQ1 无监督深度自编码器能否有效从图像数据中学习到用于分类缺陷巴旦木的判别性特征？
• RQ2 该模型在低资源HPC环境中对具有深色斑点、油性斑点或附着果壳的巴旦木的检测准确率如何？
• RQ3 在标注数据有限的情况下，与监督方法相比，无监督预训练在多大程度上提升了分类性能？
• RQ4 该模型是否足够稳健，能够区分与黄曲霉毒素污染风险相关的缺陷类型？
• RQ5 该方法是否可在计算资源受限的大学计算基础设施上实际部署？

主要发现

• 深度自编码器模型在将具有深色斑点、油性斑点或附着果壳的巴旦木分类为有缺陷时，达到了80.3%的准确率。
• 尽管大学HPC系统内存资源有限，该模型仍表现出合理的性能。
• 无监督预训练方法实现了有效的特征提取，且无需大规模标注数据集。
• 通过学习到的表示，可将具有霉变、腐烂或污染迹象的缺陷巴旦木与正常巴旦木区分开来。
• 该方法为巴旦木加工过程中早期检测黄曲霉毒素风险提供了一种可行且低成本的解决方案。