Authors

Abstract

Quality assessment of apples is a pivotal task in the agriculture and food industries, with direct implications for economic gains and consumer satisfaction. Traditional methods, whether manual, mechanical or electromechanical, face challenges in terms of labor intensity, speed, and quality control. This paper introduces a solution using machine learning algorithms – specifically, Convolutional Neural Networks (CNNs) – for a more nuanced and efficient apple quality assessment. Our approach offers a balance between the high-speed capabilities of electromechanical sorting and the detailed recognition achievable with human evaluation. A dataset consisting of over 2000 apple images, labeled as 'Good' or 'Damaged', was compiled for training and validation purposes. The paper investigates various architectures and hyperparameter settings for several CNN models to optimize performance metrics, such as accuracy, precision, and recall. Preliminary evaluations indicate that the MobileNet and Inception models yield the highest levels of accuracy, emphasizing the potential of machine learning algorithms to significantly enhance apple quality assessment processes. Such improvements can lead to greater efficiency, reduced labor costs, and more rigorous quality control measures.

Abstract in Romanian

Evaluarea calității merelor este o sarcină esențială în industriile agricole și alimentare, cu implicații directe asupra câștigurilor economice și a satisfacției consumatorilor. Metodele tradiționale, fie manuale, mecanice sau electromecanice se confruntă cu provocări în ceea ce privește efortul considerabil de muncă, viteza și controlul calității. Această lucrare propune o soluție care utilizează algoritmi de învățare automată – mai exact, rețele neuronale convolutive (CNN) – pentru o evaluare mai fină și mai eficientă a calității merelor. Abordarea noastră oferă un echilibru între capacitățile de sortare cu viteză mare ale metodelor electromecanice și recunoașterea detaliată realizabilă cu evaluarea umană. A fost compilat în scopuri de antrenare și validare un set de date compus din peste 2000 de imagini cu mere, fiecare măr fiind etichetat ca 'Bun' sau 'Stricat'. Lucrarea investighează diverse arhitecturi și configurări ale hiperparametrilor pentru mai multe modele de CNN în scopul optimizării indicatorilor de performanță (acuratețea, precizia, recall-ul). Evaluările preliminare indică faptul că modelele MobileNet și Inception oferă cele mai înalte niveluri de acuratețe, subliniind potențialul algoritmilor de învățare automată de a îmbunătăți semnificativ procesele de evaluare a calității merelor. Astfel de îmbunătățiri pot conduce la o eficiență mai mare, reducerea costurilor de muncă și tehnici de control al calității mai riguroase.