تصنيف الأغذية باستخدام الشبكات العصبونية التلافيفية المحسّنة

الملخص

إن التحدي الرئيسي في تصنيف الأغذية السليمة وغير السليمة يكمن في عدم اليقين المتعلق بجودتها، مما قد يؤدي إلى مشاكل صحية واقتصادية. لمعالجة هذا التحدي، يمكن استخدام خوارزميات التعلم الآلي (ML) كأدوات قوية للتصنيف بناءً على خصائص الأغذية مثل الصور أو البيانات الزمنية المتعلقة بظروف التخزين. ومع ذلك، يعتمد أداء هذه الخوارزميات بشكل كبير على الضبط الصحيح للمعاملات الفائقة، والتي يمكن أن تكون عملية معقدة ومكلفة حسابيًا عند استخدام الطرق التقليدية مثل البحث الشبكي أو البحث العشوائي. لحل هذه المشكلة، يمكن تطبيق تقنيات تحسين متقدمة مثل Scikit-opt، Optuna، و Hyperopt لتحسين أداء النماذج. على سبيل المثال، يمكن استخدام CNN (الشبكات العصبونية التلافيفية) لتحليل صور الأغذية وتصنيفها بناءً على مظهرها، بينما يمكن استخدام LSTM (الشبكات العصبونية ذات الذاكرة طويلة المدى) لتحليل البيانات الزمنية المتعلقة بجودة الأغذية. من خلال تقييم الأداء باستخدام معايير مثل الدقة وRMSE، يمكن تحديد النماذج الأكثر دقة وكفاءة.

في هذا البحث، تم التحقيق في تأثير ميزات التهيئة العشوائية على أداء التصنيف باستخدام الشبكات العصبونية. تم فحص الهياكل المقترحة لنماذج التعلم العميق لتحديد الهيكل الأكثر قوة مع أقل حساسية للعشوائية. كما تم تقديم خوارزمية جديدة في مجال تصنيف الأغذية من خلال التقنية المتقدمة Hyperopt لتحسين المعاملات الفائقة لنماذج الشبكة العصبونية التلافيفية (CNN)، وهو جانب لم يتم استكشافه بشكل منهجي في الأدبيات الحالية. تم تقييم تأثير هذه التقنية على دقة وكفاءة النموذج CNN من خلال مقارنة خطأ الجذر التربيعي المتوسط (RMSE) للتصنيف والوقت المطلوب لضبط النموذج.