தகவல் தொழில்நுட்பம் மற்றும் மென்பொருள் பொறியியல் இதழ்
திறந்த அணுகல்

சுருக்கம்

நியூரல் நெட்வொர்க்குகளைப் பயன்படுத்தி கேபிலரி டைனமோலிசிஸ் படப் பாகுபாடு

மெஹ்மத் எஸ். அன்லுதுர்க், செவ்கான் அன்லுதுர்க், ஃபிக்ரெட் பாசிர் மற்றும் ஃபிரூஸ் அப்துல்லாஹி

கரிம மற்றும் வழக்கமான புதிய தக்காளி (பதப்படுத்தப்படாத) மற்றும் உறைந்த தக்காளி (பதப்படுத்தப்பட்ட) ஆகியவற்றுக்கு இடையேயான தர வேறுபாடுகள் தந்துகி உயரும் பட முறையை (கேபிலரி டைனமோலிசிஸ்) பயன்படுத்தி மதிப்பிடப்படுகிறது. 0.25-0.75% சில்வர் நைட்ரேட், 0.25-0.75% இரும்பு சல்பேட் மற்றும் 30-100% மாதிரி செறிவு ஆகியவற்றைக் கொண்டு ஆர்கானிக் மற்றும் வழக்கமான மாதிரிகளுக்கு இடையே உள்ள வேறுபாடுகளைக் காட்டும் சிறந்த படங்கள் தயாரிக்கப்பட்டன. ஆனால் இந்தப் படங்களின் காட்சி விளக்கம் மற்றும் பகுப்பாய்வு ஒரு பெரிய சவாலாக உள்ளது. எனவே, இந்த படங்களை வகைப்படுத்த கிராம்-சார்லியர் நியூரல் நெட்வொர்க் மெத்தடாலஜி (ஜிசிஎன்என்) எனப்படும் ஒரு புதுமையான முறை ஆய்வு செய்யப்பட்டுள்ளது. புதிய மற்றும் உறைந்த வழக்குகளுக்காக இரண்டு தனித்தனி GCNNகள் உருவாக்கப்பட்டுள்ளன. இந்த இரண்டு நிகழ்வுகளிலிருந்தும் கரிம மற்றும் வழக்கமான தக்காளி மாதிரிகளின் படங்களுடன் அவர்களுக்கு பயிற்சி அளிக்கப்படுகிறது. 2048 x 1536 பிக்சல் குரோமடோகிராம் படங்கள் ஒரு ஆய்வகத்தில் பெறப்பட்டு, ஒவ்வொரு வழக்கிற்கும் வழக்கமான தக்காளி அல்லது ஆர்கானிக் தக்காளியை சித்தரிக்கும் 1400 x 900 பிக்சல் படங்களாக செதுக்கப்பட்டன. ஒவ்வொரு வழக்கில் இருந்தும் 20 படங்களின் தொகுப்பு ஒவ்வொரு கிராம்-சார்லியர் நரம்பியல் நெட்வொர்க்கையும் பயிற்றுவிக்கப் பயன்படுத்தப்பட்டது. ஒவ்வொரு GCNN செயல்திறனையும் சோதிக்க ஒவ்வொரு வழக்கிலிருந்தும் 4 படங்களின் புதிய தொகுப்பு தயாரிக்கப்பட்டது. கூடுதலாக, GCNN எடைகளின் உகந்த தன்மையைக் காட்ட ஹிண்டன் வரைபடங்கள் பயன்படுத்தப்பட்டன. ஒட்டுமொத்தமாக, GCNN சராசரியாக 100% அங்கீகார செயல்திறனை அடைந்தது. இந்த உயர் மட்ட அங்கீகாரம், தந்துகி டைனமோலிசிஸ் படங்களின் பாகுபாட்டிற்கு GCNN ஒரு நம்பிக்கைக்குரிய முறையாகும், மேலும் அதன் செயல்திறன் தக்காளி மாதிரி புதியதா அல்லது உறைந்ததா என்பதைப் பொறுத்தது அல்ல.