Візуальний контроль залишається одним з найважливіших та найшвидших методів неінвазивної перевірки продукції та її класифікації за рівнем якості при виробництві та розподілені для споживача. Зазвичай цим займаються кваліфіковані оператори, завдання яких швидко прийняти рішення та встановити факт наявності візуального дефекту. Особливо це актувально в харчовій промисловості. Даний метод має очевидну проблему, а саме – людський фактор. Оскільки не можна не враховувати фактор втоми оператора, його субєктивність при вибору допустимого рівня відхилення продукту. Для вирішення цього завдання у даній роботі пропонується використати методи комп’ютерного зору при визначені класу якості, а конкретизуючи, при розподілу груш за класом екстра та поганої якості. Наводиться короткий опис основиних етапів обробки зображення для звернення уваги на етап сегментизації, як можливий шлях для підвищення точності при прийняті рішень. Представлена модель основними характеристиками якої є візуальні ознаки, такі як: колір, форма, наявність стебла та інші. Яким на етапі навчання відновно присвоюються уже числові характеристики. Та за рахунок пропонованих різних підходів при обробці зображення досягається високий рівень точності, який виражається у процентному співвідношенні вірності прийняття рішень та варіюється у діапазоні від 90 до 96%. Тому отримані результати у даній роботі дають можливість автоматизувати процес візуальної перевірки та водночас досягти високої точності прийняття рішень, з перспективою підвищення швидкість та якості реалізації продукції для споживача.
[1] J. García-Alcaraz, A. Maldonado-Macías, G. Cortes-Robles. Lean Manufacturing in the Developing World,117(8), 827–891. 2014, Available: https://link.
springer.com/book/10.1007/978-3-319-04951-9
[2] W. Sullivan, T. McDonald, & Van Aken, E. (2002).Equipment replacement decisions and lean manufacturing.
18(3–4), 255–265. Available: https://www.sciencedirect.com/science/article/abs/pii/S0736584502000169
[3] G. Kreiman. Biological and Computer Vision 52-53 [2021]. Available: https://www.cambridge.org/ core/books/biological-and-computervision/BB7E68A69AFE7A322F68F3C4A297F3CF
[4] R. Szeliski. Computer Vision: Algorithms and Applications.42-43. 2022. Available: https://szeliski.org/Book/[5] J. Watt, R. Borhani, A. Katsaggelos. Machine Learning
Refined: Foundations, Algorithms, and Applications 45-46 [2020]. Available: https://people.engr.tamu.edu/guni/csce421/files/Machine_Learning_Refined...
[6] A. Koul, S. Ganju, M. Kasam. Practical Deep Learning for Cloud, Mobile, and Edge: Real-World AI & Computer-Vision Projects Using Python, Keras & Tensor-
Flow. 25-26. 2019. Available: https://www.oreilly.com/library/view/practical-deep-learning/9781492034858/
[7] J. Kelleher. Deep Learning 12-13 [2019]. Available:https://direct.mit.edu/books/book/4556/Deep-Learning
[8] T. Amaratunga. Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows 88-89 [2021]. Available: https://link.springer.
com/book/10.1007/978-1-4842-6431-7
[9] M. Favorskaya, L. Jain. Computer Vision in Control Systems. 55-56. 2015. Available: https://link.springer.
com /book/10.1007/978-3-319-10653-3
[10] K. Mehrotra, Ch. Mohan, H. Huang. Anomaly Detection Principles and Algorithms. 165-166. 2017. Available:
https://www.amazon.com/Detection-Principles-Algorithms-Terrorism-Computa... S. Prince. Computer Vision: Models, Learning, and
Inference. 222-223. 2022. Available: http://www. computervisionmodels.com
[12] G. Garrido, P. Joshi. OpenCV 3.x with Python By Example,33-34 [2018]. Available: https://www.packtpub.com/product/opencv-3x-with-python-byexample-second-...
[13] N. Madanchi. Model-Based Approach for Energy and Resource Efficient Machining Systems. 111-112. 2022. Available: https://link.springer.com/book/10.1007/978-3-030-87540-4
[14] M. Rafiei. Self-Supervised Learning A-Z: Theory & Hands-On Python. 24-25. 2022. Available: https://www.udemy.com/course/self-supervised-learning/
[15] N. Sebe, M. Lew. Robust Computer Vision. 54-55. 2022.Available: https://link.springer.com/book/10.1007/978-94-017-0295-9
[16] J. Marks. Tunnel vision in computer vision: can ChatGPT see?. 2022. Internet Journal. Available:https://medium.com/voxel51/tunnel-vision-in-computervision-can-chatgpt-s...
[17] A. Rosebrock. Deep Learning for Computer Vision with Python. 55-56. 2017. Available: https://bayanbox.ir/view/5130918188419813120/Adrian-Rosebrock-Deep-Learn...
[18] G. Blokdyk. Object detection Complete Self-Assessment Guide. 42-43. 2021. Available: https://www.amazon.com/dp/0655324380?tag=uuid10-20
[19] R. Shanmugamani. Deep Learning for Computer Vision.68-69. 2021. Available: https://www.oreilly.com/ library/view/deep-learning-for/9781788295628/edf4fbcccca0-4aaa-b9f4-d7c2292c520d.x.html
[20] J. Howse, P. Joshi, M. Beyeler. OpenCV: Computer Vision Projects with Python. 122-123. 2020. Available:https://www.oreilly.com/library/view/opencv-computervision/
9781787125490/ch16s04.html