This paper investigates simplifying

This paper investigates simplifying the classification technique of an optical fibre sensor based system designed for the online quality control of food being cooked in a large-scale industrial oven by monitoring the product as it cooks. The system measures the colour of the food product as it cooks by examining the reflected visible light from the surface as well as in the core of the product. Accurate classification has been previously obtained using a multi layer perceptron (MLP) with a backpropagation learning algorithm and principal component analysis (PCA) as a method of feature extraction but the k-nearest neighbour (k-NN) method is investigated in order to simplify the classification techniques, especially since principal component analysis already generates disjoint clusters. Two products are used to illustrate the principal of the method of this investigation, namely minced beef burgers and pastry although it is equally applicable to many other food products. In this investigation experimentally obtained spectral data was taken from the surface of the food and then analysed allowing direct comparison of the two classification methods. Results show that although the neural network proved superior when the input spectra deviated slightly in shape from the spectra used in training, the k-NN classifier may have prove advantageous in applications where there is less deviation in the sampled product spectrum.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้ตรวจสอบให้เทคนิคจัดประเภทระบบเซ็นเซอร์ที่ใช้แสงไฟเบอร์มาออนไลน์คุณภาพของอาหารที่กำลังสุกในเตาอบอุตสาหกรรมขนาดใหญ่ โดยการตรวจสอบผลิตภัณฑ์ ตามนั้นพ่อครัว ระบบการวัดสีของผลิตภัณฑ์อาหารเป็นเรื่องพ่อครัว โดยตรวจสอบการมองเห็นแสงสะท้อนจากพื้นผิวเช่นในหลักของผลิตภัณฑ์ ประเภทแม่นยำได้เคยรับใช้เป็นหลายชั้นเพอร์เซปตรอน (MLP) backpropagation การเรียนรู้ขั้นตอนวิธีการและหลักส่วนประกอบวิเคราะห์ (PCA) เป็นวิธีการสกัดคุณลักษณะ แต่วิธี k ใกล้เพื่อนบ้าน (k-NN) เป็นการตรวจสอบเพื่อทำเทคนิคการจัดประเภท โดยเฉพาะอย่างยิ่งเนื่องจากการวิเคราะห์ส่วนประกอบหลักแล้วสร้างคลัสเตอร์ตัว ผลิตภัณฑ์ที่สองจะใช้เพื่อแสดงหลักของวิธีการตรวจสอบนี้ ได้แก่เบอร์เกอร์เนื้อสับและขนมแต่เท่า ๆ ที่ใช้กับผลิตภัณฑ์อาหารอื่น ๆ ในการสอบสวนนี้ experimentally ได้รับข้อมูลสเปกตรัมได้มาจากพื้นผิวของอาหาร แล้ว analysed ช่วยเปรียบเทียบโดยตรงของวิธีการจัดประเภทที่สอง ผลลัพธ์แสดงว่า ถึงแม้ว่าเครือข่ายประสาทพิสูจน์ห้องเมื่อแรมสเป็คตราป้อน deviated เล็กน้อยรูปร่างจากแรมสเป็คตราที่ใช้ในการฝึกอบรม classifier เอ็นเอ็นเคอาจได้พิสูจน์ประโยชน์ในโปรแกรมประยุกต์มีความเบี่ยงเบนน้อยในสเปกตรัมสินค้าตัวอย่าง

ผลลัพธ์ (ไทย) 2:

กระดาษนี้ศึกษาเทคนิคการลดความซับซ้อนของการจำแนกประเภทของเซ็นเซอร์ใยแก้วนำแสงตามระบบที่ออกแบบมาสำหรับการควบคุมคุณภาพออนไลน์ของอาหารที่ถูกปรุงสุกในขนาดใหญ่เตาอุตสาหกรรมโดยการตรวจสอบสินค้าที่เป็นพ่อครัว ระบบวัดสีของผลิตภัณฑ์อาหารตามที่พ่อครัวและแม่ครัวด้วยการตรวจสอบสะท้อนแสงที่มองเห็นจากพื้นผิวเช่นเดียวกับในหลักของผลิตภัณฑ์ การจัดหมวดหมู่ที่ถูกต้องได้รับก่อนหน้านี้ใช้หลายชั้นตรอน (MLP) ที่มีขั้นตอนวิธีการเรียนรู้ที่แพร่กระจายย้อนกลับและการวิเคราะห์องค์ประกอบหลัก (PCA) เป็นวิธีการดึง แต่เพื่อนบ้าน k-ที่ใกล้ที่สุด (k-NN) วิธีการคือการตรวจสอบเพื่อที่จะลดความซับซ้อน เทคนิคการจัดหมวดหมู่โดยเฉพาะอย่างยิ่งตั้งแต่การวิเคราะห์องค์ประกอบหลักแล้วสร้างกลุ่มเคลื่อน สองผลิตภัณฑ์ที่ใช้ในการแสดงให้เห็นถึงวิธีการที่สำคัญของการตรวจสอบนี้สับคือเบอร์เกอร์เนื้อวัวและขนมแม้ว่ามันจะบังคับอย่างเท่าเทียมกันกับผลิตภัณฑ์อาหารอื่น ๆ อีกมากมาย ในการสืบสวนคดีนี้ได้รับการทดลองข้อมูลสเปกตรัมถูกนำมาจากพื้นผิวของอาหารและจากนั้นช่วยให้การวิเคราะห์เปรียบเทียบโดยตรงของทั้งสองวิธีการจัดหมวดหมู่ ผลการศึกษาพบว่าแม้ว่าเครือข่ายประสาทได้รับการพิสูจน์ที่เหนือกว่าเมื่อสเปกตรัมการป้อนข้อมูลผิดเล็กน้อยในรูปร่างจากสเปกตรัมที่ใช้ในการฝึกอบรมการจําแนก k-NN อาจจะพิสูจน์ได้ว่าข้อได้เปรียบในการใช้งานที่มีการเบี่ยงเบนน้อยกว่าในสเปกตรัมสินค้าตัวอย่าง

ผลลัพธ์ (ไทย) 3:

บทความนี้เป็นการศึกษาระบบการจำแนกเทคนิคของไฟเบอร์ออปติคอลเซ็นเซอร์ที่ใช้ระบบที่ออกแบบมาสำหรับออนไลน์คุณภาพการควบคุมอาหารที่ถูกปรุงสุกในอุตสาหกรรมขนาดใหญ่เตาอบโดยการตรวจสอบสินค้าที่เป็นพ่อครัวและแม่ครัว ระบบการวัดสี ของผลิตภัณฑ์อาหารเป็นพ่อครัวโดยการตรวจสอบสะท้อนแสงจากพื้นผิว รวมทั้งในส่วนของผลิตภัณฑ์หมวดหมู่ที่ถูกต้องได้รับก่อนหน้านี้ได้รับการใช้มัลติเลเยอร์ธรรมดา ( MLP ) กับแบบการเรียนรู้ขั้นตอนวิธีและการวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นวิธีการสกัดคุณลักษณะแต่เพื่อนบ้านละ ( k-nn ) เป็นวิธีการตรวจสอบเพื่อลดความซับซ้อนในการเทคนิค โดยเฉพาะตั้งแต่การวิเคราะห์องค์ประกอบหลักแล้วสร้างยู่กลุ่มสองผลิตภัณฑ์ที่ใช้เพื่อแสดงให้เห็นหลักของวิธีการของการตรวจสอบนี้ ได้แก่ ลาบและขนมปังเบอร์เกอร์เนื้อถึงแม้ว่ามันสามารถใช้ได้อย่างเท่าเทียมกันหลายผลิตภัณฑ์อาหารอื่น ๆ ในการสอบสวนนี้เพื่อได้รับข้อมูลสเปกตรัมที่ได้จากพื้นผิวของอาหาร และวิเคราะห์ให้การเปรียบเทียบโดยตรงของทั้งสองประเภทของวิธีการพบว่าโครงข่ายประสาทเทียมพิสูจน์เหนือกว่าเมื่อใส่ช่วงเบี่ยงเบนเล็กน้อยในรูปร่างจากสเปกตรัมที่ใช้ในการฝึกอบรม k-nn ลักษณนามอาจพิสูจน์ได้ประโยชน์ในการใช้งานซึ่งมีจำนวนน้อยกว่าในตัวอย่างผลิตภัณฑ์สเปกตรัม