A Robust Deep Learning Framework for Multi-Class Fruit and Vegetable Classification Using Optimized AlexNet

Batool Abdulsatar Abdulghani

doi:10.18280/ts.420623

A Robust Deep Learning Framework for Multi-Class Fruit and Vegetable Classification Using Optimized AlexNet

2025-12-01

0

PRE

AI

B

Batool Abdulsatar Abdulghani *

A

Adnan Ismail Al-Sulaifanie

A

Ahmed Khorsheed Mohammed

DOI：10.18280/ts.420623

原文链接

原文求助

摘要

En 中文

果蔬的自动化分拣在现代农业和工业中至关重要。然而，这项任务面临诸多挑战，包括需要高分类精度、实时处理速度、类间相似性（如辣椒与甜椒的相似性）以及类内变异性（如苹果类的大小和颜色差异）。为应对这些挑战，本研究对预训练的AlexNet深度学习模型进行了改进：冻结前七层用于特征提取，用LeakyReLU替换ReLU激活函数以提高对视觉相似物种的区分度，并采用针对 Ginger（68个样本）和 Orange（69个样本）等欠代表类别的类别加权损失。该模型在36类数据集（3,818张图像）上达到98.04%的准确率，相比基线AlexNet提升了2.47%（95%置信区间为[1.12%，4.19%]），分类错误率降低了56.2%。此外，计算效率有所提升，在GPU硬件上训练速度达到127.13张图像/秒，测试速度为55.45张图像/秒，展示了性能与效率的优化平衡，适用于实际部署。本研究为果蔬自动化分拣提供了解决方案，其中精度、形态模糊性及操作速度构成了关键约束条件。

Keyword:

ANN

deep learning

alexnet

fruit classification

LeakyReLU

class imbalance

A Robust Deep Learning Framework for Multi-Class Fruit and Vegetable Classification Using Optimized AlexNet

摘要

期刊

机构

引用论文