[논문]합리적 가격결정을 위한 전이학습모델기반 아보카도 분류 및 출하 예측 시스템

유성운; 박승민

doi:10.13067/jkiecs.2023.18.2.329

합리적 가격결정을 위한 전이학습모델기반 아보카도 분류 및 출하 예측 시스템
Avocado Classification and Shipping Prediction System based on Transfer Learning Model for Rational Pricing 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.2, 2023년, pp.329 - 335

유성운 (동서대학교 소프트웨어학과) , 박승민 (동서대학교 소프트웨어학과)

초록
AI-Helper

타임지가 선정한 슈퍼푸드이며, 후숙 과일 중 하나인 아보카도는 현지가격과 국내 유통 가격이 크게 차이가 나는 식품 중 하나이다. 이러한 아보카도의 분류과정을 자동화한다면 다양한 분야에서 인건비를 줄여 가격을 낮출 수 있을 것이다. 본 논문에서는 아보카도의 데이터셋을 크롤링을 통하여 제작하고, 딥러닝 기반 전이학습모델을 다수 사용하여, 최적의 분류모델을 만드는 것을 목표로 한다. 실험은 제작한 데이터셋에서 분리한 데이터셋에서 딥러닝 기반 전이학습모델에 직접 대입하고, 해당 모델의 하이퍼 파라미터를 Fine-tuning하며 진행하였다. 제작된 모델은 아보카도의 이미지를 입력하였을 때, 해당 아보카도의 익은 정도를 99% 이상의 정확도로 분류하였으며, 아보카도 생산 및 유통가정의 인력감소 및 정확성을 높일 수 있는 데이터셋 및 알고리즘을 제안한다.

Abstract ▼ AI-Helper

Avocado, a superfood selected by Time magazine and one of the late ripening fruits, is one of the foods with a big difference between local prices and domestic distribution prices. If this sorting process of avocados is automated, it will be possible to lower prices by reducing labor costs in various fields. In this paper, we aim to create an optimal classification model by creating an avocado dataset through crawling and using a number of deep learning-based transfer learning models. Experiments were conducted by directly substituting a deep learning-based transfer learning model from a dataset separated from the produced dataset and fine-tuning the hyperparameters of the model. When an avocado image is input, the model classifies the ripeness of the avocado with an accuracy of over 99%, and proposes a dataset and algorithm that can reduce manpower and increase accuracy in avocado production and distribution households.

주제어

표/그림 (9)

그림 그림 1. avocado model 제작 순서 Fig. 1 Production order of avocado model
그림 그림 2. base model의 신경망구조 Fig. 2 Neural network structure of the base model
그림 그림 3. base model의 결과 Fig. 3 Results of the base model
그림 그림 4. 세 모델의 테스트성능 비교 Fig. 4 Comparison of test performance of three models
표 표 1. 세 모델의 학습성능 비교 Table 1. Comparison of learning performance of the three models
그림 그림 5. ImageDataGenerator를 이용한 데이터 추가 Fig. 5 Using ImageDataGenerator Add data after data creation
그림 그림 6. 성능을 증가시킨 학습모델의 결과 Fig. 6 Results of the training model increasing performance
그림 그림 7. 이미지를 입력시켜 분류를 확인 Fig. 7 Input an image to check classification
그림 그림 8. 무작위 이미지를 입력시켜 분류를 확인 Fig. 8 Input random images to check classification

참고문헌 (11)

H. Lee and I. Kim, "Empirical Analysis of？Consumers Purchase Satisfaction and Repurchase？Intention on Imported Mangoes and Avocados,"？Korea Association for International Commerce and？Information, vol. 23, no. 4, Dec. 2021, pp.？269-292.
H. Chong, N. Lee, and H. Cho, "Development？of Image Defect Detection Model Using？Machine Learning," Journal of the Korea？Institute of Information and Communication？Engineering, vol. 15, no. 3, June 2020, pp.？513-520.
K. He, R. Girshick, and P. Dollar, "Rethinking？ImageNet Pre-training Facebook AI Research？(FAIR)," 2019 IEEE/CVF International Conference？on Computer Vision (ICCV), Seoul, South Korea.？2019 pp. 4917-4926.
O. Russakovsky, J. Deng, H. Su, J. Krause, S.？Satheesh, S. Ma, Z. Huang, A. Karpathy, A.？Khosla, M. Bernstein, A. C Berg, and L. Fei-Fei,？International Journal of Computer Vision, vol. 115,？no. 3, 2015, pp. 211-252.
K. Simonyan and A. Zisserman, "Very Deep？Convolutional Networks for Large-Scale Image？Recognition," Oxford University Technical？Report, Apr. 2015.
K. He, Xi. Zhang, S. Ren, and J. Sun, "Deep？ResidualLearning for Image Recognition," 2016？IEEE Conference on Computer Vision and Pattern？Recognition (CVPR), Las Vegas, United States,？2016 pp. 770-778.
G. Huang, Z. Liu, L. Maaten, and K.？Weinbberger, "Densely Connected Convolutional？Networks," 2017 IEEE Conference on Computer？Vision and Pattern Recognition (CVPR), Honolulu,？United States, 2017, pp. 2261-2269.
J. Jo, "Effectiveness of Normalization？Pre-Processing of Big Data to the Machine？Learning Performance," Journal of the Korea？Institute of Information and Communication？Engineering, vol. 14, no. 3, June 2019, pp.？547-552.
J. Kim and H. Oh, "The methods to improve？the performance of predictive model using？machine learning for the quality properties of？products," Journa of the Korea Institute of？Information and Communication Engineering,？vol. 25, no. 6, June 2021, pp. 749-756.
H. Lee, "Optimization of the Number of Filter in CNN Noise Attenuator," J. of the？Korea Institute of Electronic Communication？Sciences, vol. 16, no. 4, Aug. 2021, pp.？625-632.
I. Kandel and M. Castelli, "The effect of batch？size on the generalizability of the convolutional？neural networks on a histopathology dataset,"？ICT Express, vol. 6, issue 4, Dec. 2020, pp.？312-315.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증