Journal des technologies de l'information et du génie logiciel
Libre accès

Abstrait

Discrimination d'images par dynamolyse capillaire à l'aide de réseaux neuronaux

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

Les différences de qualité entre les tomates fraîches biologiques et conventionnelles (non transformées) et les tomates surgelées (transformées) sont évaluées à l'aide d'une méthode d'image capillaire ascendante (dynamolyse capillaire). Les meilleures images montrant les différences les plus nettes entre les échantillons biologiques et conventionnels ont été préparées avec 0,25-0,75 % de nitrate d'argent, 0,25-0,75 % de sulfate de fer et une concentration d'échantillon de 30 à 100 %. Mais la description visuelle et l'analyse de ces images constituent un défi majeur. Par conséquent, une nouvelle méthodologie appelée méthodologie du réseau neuronal Gram-Charlier (GCNN) a été étudiée pour classer ces images. Deux GCNN distincts ont été créés pour les cas frais et congelés. Ils sont entraînés avec les images d'échantillons de tomates biologiques et conventionnelles de ces deux cas. Les images du chromatogramme de 2048 x 1536 pixels ont été acquises en laboratoire et recadrées en images de 1400 x 900 pixels représentant soit une tomate conventionnelle, soit une tomate biologique pour chaque cas. Un ensemble de 20 images de chaque cas a été utilisé pour entraîner chaque réseau neuronal Gram-Charlier. Un nouvel ensemble de 4 images de chaque cas a ensuite été préparé pour tester les performances de chaque GCNN. De plus, des diagrammes de Hinton ont été utilisés pour afficher l'optimalité des poids du GCNN. Dans l'ensemble, le GCNN a atteint une performance de reconnaissance moyenne de 100 %. Ce niveau élevé de reconnaissance suggère que le GCNN est une méthode prometteuse pour la discrimination des images de dynamolyse capillaire et que ses performances ne dépendent pas du fait que l'échantillon de tomate soit frais ou congelé.