Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341165| Заглавие документа: | Fruit freshness prediction using transfer learning and image classification |
| Другое заглавие: | Прогнозирование свежести фруктов с использованием переноса обучения и классификации изображений / М. E. Туфегджич, Н. Ч. Туфегджич, А. Ж. Мишкович, М. З. Мосьйлович |
| Авторы: | Tufegdžić, M. J. Tufegdžić, N. C. Mišković, A. Z. Mosjilović, M. Z. |
| Тема: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика |
| Дата публикации: | 2025 |
| Издатель: | Минск : БГУ |
| Библиографическое описание источника: | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 229-237. |
| Аннотация: | Accurate detection of fruit freshness is vital for quality control, spoilage reduction, and supply chain efficiency. This study introduces a classification system using transfer learning with a pre-trained ResNet-18 on 55,824 images of fresh and rotten fruits across 10 classes. Extensive augmentation improved generalization, and training with PyTorch and GPU acceleration employed early stopping and checkpointing to avoid overfitting. Evaluation metrics (precision, recall, F1-score, accuracy) show consistently high performance, with smooth loss convergence and a confusion matrix confirming reliable distinction between visually similar fruits. Overall, transfer learning with ResNet-18 proves accurate and efficient for automated fruit freshness classification |
| Аннотация (на другом языке): | Очное определение свежести фруктов имеет важное значение для контроля качества, снижения порчи и повышения эффективности цепочек поставок. В данном исследовании представлена система классификации, основанная на transfer learning с использованием предобученной модели ResNet-18 и набора из 55 824 изображений свежих и испорченных фруктов по 10 классам. Для улучшения обобщающей способности применялось масштабное аугментирование данных, а обучение с использованием PyTorch и ускорения на графическом процессоре сопровождалось ранней остановкой и сохранением контрольных точек для предотвращения переобучения. Метрики оценки (точность, полнота, F1-мера и accuracy) демонстрируют стабильно высокие результаты, при этом функция потерь показывает плавную сходимость, а матрица ошибок подтверждает надежное различение визуально схожих фруктов. В целом, transfer learning с ResNet-18 обеспечивает точный и эффективный подход к автоматизированной классификации свежести фруктов |
| Доп. сведения: | Раздел II. Нейронные сети и глубокое обучение |
| URI документа: | https://elib.bsu.by/handle/123456789/341165 |
| ISBN: | 978-985-881-851-7 978-985-881-853-1 (ч. 2) |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | 2025. Информационные системы и технологии |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 229-237.pdf | 698,75 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.