Äpfel-Bewertungsmethode basierend auf neuronalen Netzen mit geordneten Partitionen und evidenzbasierter Ensemble-Lernmethode

Zusammenfassung Um die Leistung des automatischen Systems zur Bewertung und Sortierung von Äpfeln zu verbessern, wird in diesem Papier ein Ensemble-Modell der ordinalen Klassifikation basierend auf neuronalen Netzen mit geordneten Partitionen und der Dempster-Shafer-Theorie vorgeschlagen. Als nicht-destruktive Bewertungsmethode werden Äpfel in drei Klassen eingeteilt, basierend auf dem Gehalt an löslichen Feststoffen, wobei Merkmale aus dem vorverarbeiteten Nah-Infrarotspektrum der Äpfel als Eingaben für das Modell dienen. In Anbetracht der Unsicherheit bei den Bewertungsetiketten werden Ansätze zur Massengenerierung und ein evidenzbasiertes Codierungsschema für ordinale Labels vorgeschlagen, wobei die Unsicherheit im Rahmen der Dempster-Shafer-Theorie behandelt wird. Bei der Konstruktion eines neuronalen Netzes mit geordneten Partitionen als Basislernner wird der Lernprozess des auf Bagging basierenden Ensemble-Modells detailliert beschrieben. Experimente mit Yantai Red Fuji-Äpfeln zeigen die zufriedenstellende Bewertungsleistung des vorgeschlagenen evidenzbasierten Ensemble-Modells für die ordinale Klassifikation.