Zeitschrift für Informationstechnologie und Softwareentwicklung
Offener Zugang

Abstrakt

Bildunterscheidung bei der Kapillardynamolyse mithilfe neuronaler Netze

Mehmet S. Unluturk, Sevcan Unluturk, Fikret Pazir und Firoozeh Abdollahi

Qualitätsunterschiede zwischen frischen Bio-Tomaten (unverarbeitet) und gefrorenen Tomaten (verarbeitet) werden mithilfe eines Kapillarrhebebildverfahrens (Kapillardynamolyse) ermittelt. Die besten Bilder, die die Unterschiede zwischen Bio- und konventionellen Proben am deutlichsten zeigen, wurden mit 0,25 – 0,75 % Silbernitrat, 0,25 – 0,75 % Eisensulfat und einer Probenkonzentration von 30 – 100 % aufgenommen. Die visuelle Beschreibung und Analyse dieser Bilder ist jedoch eine große Herausforderung. Daher wurde eine neue Methodologie namens Gram-Charlier Neural Network Methodology (GCNN) untersucht, um diese Bilder zu klassifizieren. Es wurden zwei separate GCNNs für frische und gefrorene Fälle erstellt. Sie wurden mit Bildern von Bio- und konventionellen Tomatenproben aus diesen beiden Fällen trainiert. Die 2048 x 1536 Pixel großen Chromatogrammbilder wurden in einem Labor aufgenommen und auf 1400 x 900 Pixel große Bilder zugeschnitten, die für jeden Fall entweder eine konventionelle oder eine Bio-Tomate zeigen. Ein Satz von 20 Bildern aus jedem Fall wurde verwendet, um jedes Gram-Charlier-Neuralnetz zu trainieren. Ein neuer Satz von 4 Bildern aus jedem Fall wurde dann vorbereitet, um die Leistung jedes GCNN zu testen. Darüber hinaus wurden Hinton-Diagramme verwendet, um die Optimalität der GCNN-Gewichte anzuzeigen. Insgesamt erreichte das GCNN eine durchschnittliche Erkennungsleistung von 100 %. Dieses hohe Erkennungsniveau deutet darauf hin, dass das GCNN eine vielversprechende Methode zur Unterscheidung von Kapillardynamolysebildern ist und seine Leistung nicht davon abhängt, ob die Tomatenprobe frisch oder gefroren ist.