농산물 품종별 품질(QC)기준 분류 (농산물 상품 등급 분류)

베이스라인 소개

농산물 상품등급(QC) 분류 모델

농산물 상품 등급을 위해, 이미지데이터와 csv데이터를 제공한다.
먼저 이미지 데이터로 상품의 종류를 분류해야한다.
이후, 분류된 상품 종류와, csv데이터를 고려하여 상품의 등급을 예측해야 한다.
이미지 데이터는 8 종류, 각 train 800장, test 100장 그리고 채점 데이터 Validation 100장을 제공한다.
csv데이터는 ['fruit_name', 'grade', 'width', 'height', 'weight']의 컬럼이 존재하며, 마찬가지로 train, test, validation을 제공한다.
최종적으로, Validation의 데이터로 ['fruit_name', 'grade']를 예측하여 csv파일로 제출한다

1. 농산물 종류 분류 (Image Classification)

- 농산물 종류는 ['apple_fuji', 'apple_yanggwang', 'mandarine_onjumilgam', 'mandarine_hallabong', 'pear_chuhwang', 'pear_singo', 'persimmon_daebong', 'persimmon_bansi', 'persimmon_booyu'] 로 총 8가지가 있다.

데이터 세팅

데이터 다운로드 (github이용)

!git clone https://github.com/yuri0329/AIFactory_FruitQC.git

데이터 확인

Train / 800 /content/AIFactory_FruitQC/Train/persimmon_daebong_L_18-34_4DI45.png

Train / 800 /content/AIFactory_FruitQC/Train/persimmon_bansi_L_22-24_4DI45.png

Train / 800 /content/AIFactory_FruitQC/Train/persimmon_booyu_L_11-40_5DI90.png

Train / 800 /content/AIFactory_FruitQC/Train/apple_fuji_L_3-4_4DI45.png

Train / 800 /content/AIFactory_FruitQC/Train/pear_chuhwang_L_28-16_1TOP.png

Train / 800 /content/AIFactory_FruitQC/Train/mandarine_hallabong_M_58-4_4DI45.png

Train / 800 /content/AIFactory_FruitQC/Train/mandarine_onjumilgam_L_12-2_2FR45.png

Train / 800 /content/AIFactory_FruitQC/Train/pear_singo_L_22-18_3FR90.png

모델 빌드

Conv2D, Activation, MaxPooling2D, Flatten, Dense, Dropout을 사용한다.
특히, 모델의 Dropout 0.5를 적용하여 과적합을 방지한다.

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d (Conv2D)             (None, 126, 126, 32)      896       
                                                                 
 activation (Activation)     (None, 126, 126, 32)      0         
                                                                 
 max_pooling2d (MaxPooling2D  (None, 63, 63, 32)       0         
 )                                                               
                                                                 
 conv2d_1 (Conv2D)           (None, 61, 61, 32)        9248      
                                                                 
 activation_1 (Activation)   (None, 61, 61, 32)        0         
                                                                 
 max_pooling2d_1 (MaxPooling  (None, 30, 30, 32)       0         
 2D)                                                             
                                                                 
 conv2d_2 (Conv2D)           (None, 28, 28, 64)        18496     
                                                                 
 activation_2 (Activation)   (None, 28, 28, 64)        0         
                                                                 
 max_pooling2d_2 (MaxPooling  (None, 14, 14, 64)       0         
 2D)                                                             
                                                                 
 flatten (Flatten)           (None, 12544)             0         
                                                                 
 dense (Dense)               (None, 1024)              12846080  
                                                                 
 activation_3 (Activation)   (None, 1024)              0         
                                                                 
 dropout (Dropout)           (None, 1024)              0         
                                                                 
 dense_1 (Dense)             (None, 8)                 8200      
                                                                 
 activation_4 (Activation)   (None, 8)                 0         
                                                                 
=================================================================
Total params: 12,882,920
Trainable params: 12,882,920
Non-trainable params: 0
_________________________________________________________________

훈련 확인

Training and validation loss

Training and validation acc

2. 농산물 등급 분류 (Classification)

fruit_name	cate3	width	height	weight
0	apple_fuji	상	8.6	7.5	290
40	apple_fuji	상	9.5	7.5	295
80	apple_fuji	상	8.8	7.2	270
120	apple_fuji	상	8.6	7.1	275
160	apple_fuji	상	8.1	7.1	265
...	...	...	...	...	...
46398	pear_chuhwang	상	8.6	8.8	455
46435	pear_chuhwang	상	10.0	9.2	485
46463	pear_chuhwang	상	9.3	8.6	470
46499	pear_chuhwang	상	9.8	8.4	455
46557	pear_chuhwang	상	10.2	9.0	535

과일 등급 예측을 위한 상관 계수 비교

농산물 등급 (cate3) 항목은 ‘width’와 'weight;항목에 연관이 가장 높았다.

GridSearchCV를 활용한 여러 모델의 다양한 하이퍼파라미터 적용


<Normalize Scale>
('LogisticRegression', -0.429136594493451, {'penalty': 'l2'})
_________________________________________________________

('RandomForestClassifier', -0.6322507350975675, {'criterion': 'gini', 'max_depth': 5, 'min_samples_leaf': 0.5})
_________________________________________________________

('KNeighborsClassifier', -0.2807270783213044, {'algorithm': 'brute', 'n_neighbors': 6, 'weights': 'distance'})
_________________________________________________________

('Ridge', -0.2909873526073136, {'alpha': 0.01})
_________________________________________________________

('Lasso', -0.29102530552666706, {'alpha': 0.001})
_________________________________________________________

('ElasticNet', -0.29249897461189617, {'alpha': 0.001})
_________________________________________________________



<Standard Scale>
('LogisticRegression', -0.3491446137396418, {'penalty': 'l2'})
_________________________________________________________

('RandomForestClassifier', -0.6322507350975675, {'criterion': 'gini', 'max_depth': 5, 'min_samples_leaf': 0.5})
_________________________________________________________

('KNeighborsClassifier', -0.28191659983961503, {'algorithm': 'kd_tree', 'n_neighbors': 6, 'weights': 'uniform'})
_________________________________________________________

('Ridge', -0.2909152829665002, {'alpha': 1})
_________________________________________________________

('Lasso', -0.29085022953188533, {'alpha': 0.001})
_________________________________________________________

('ElasticNet', -0.2908715799677278, {'alpha': 0.001})
_________________________________________________________