జర్నల్ ఆఫ్ ఇన్ఫర్మేషన్ టెక్నాలజీ & సాఫ్ట్వేర్ ఇంజనీరింగ్
అందరికి ప్రవేశం

నైరూప్య

న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి క్యాపిల్లరీ డైనమోలిసిస్ ఇమేజ్ డిస్క్రిమినేషన్

మెహ్మెట్ S. అన్లుతుర్క్, సెవ్కాన్ అన్లుతుర్క్, ఫిక్రెట్ పజీర్ మరియు ఫిరూజ్ అబ్దుల్లాహి

సేంద్రీయ మరియు సాంప్రదాయ తాజా టొమాటోలు (ప్రాసెస్ చేయనివి) మరియు ఘనీభవించిన టమోటాలు (ప్రాసెస్ చేయబడినవి) మధ్య నాణ్యత వ్యత్యాసాలను కేశనాళిక రైజింగ్ పిక్చర్ పద్ధతి (కేశనాళిక డైనమోలిసిస్) ఉపయోగించి మూల్యాంకనం చేస్తారు. సేంద్రీయ మరియు సాంప్రదాయ నమూనాల మధ్య అత్యంత చురుకైన వ్యత్యాసాలను చూపించే ఉత్తమ చిత్రాలు 0.25-0.75% సిల్వర్ నైట్రేట్, 0.25-0.75% ఐరన్ సల్ఫేట్ మరియు 30-100% నమూనా సాంద్రతతో తయారు చేయబడ్డాయి. కానీ ఈ చిత్రాల దృశ్య వివరణ మరియు విశ్లేషణ ప్రధాన సవాలు. అందువల్ల, ఈ చిత్రాలను వర్గీకరించడానికి గ్రామ్-చార్లియర్ న్యూరల్ నెట్‌వర్క్ మెథడాలజీ (GCNN) అనే నవల పద్దతి అధ్యయనం చేయబడింది. తాజా మరియు స్తంభింపచేసిన కేసుల కోసం రెండు వేర్వేరు GCNNలు సృష్టించబడ్డాయి. ఈ రెండు కేసుల నుండి సేంద్రీయ మరియు సాంప్రదాయ టమోటా నమూనాల చిత్రాలతో వారు శిక్షణ పొందుతారు. 2048 x 1536 పిక్సెల్ క్రోమాటోగ్రామ్ చిత్రాలు ల్యాబ్‌లో పొందబడ్డాయి మరియు ప్రతి సందర్భంలో సంప్రదాయ టమోటా లేదా ఆర్గానిక్ టొమాటోని వర్ణించే 1400 x 900 పిక్సెల్ చిత్రాలకు కత్తిరించబడ్డాయి. ప్రతి కేసు నుండి 20 చిత్రాల సమితి ప్రతి గ్రామ్-చార్లియర్ న్యూరల్ నెట్‌వర్క్‌కు శిక్షణ ఇవ్వడానికి ఉపయోగించబడింది. ప్రతి GCNN పనితీరును పరీక్షించడానికి ప్రతి సందర్భంలో నుండి 4 చిత్రాల కొత్త సెట్ తయారు చేయబడింది. అదనంగా, GCNN బరువుల యొక్క అనుకూలతను ప్రదర్శించడానికి హింటన్ రేఖాచిత్రాలు ఉపయోగించబడ్డాయి. మొత్తంమీద, GCNN 100% సగటు గుర్తింపు పనితీరును సాధించింది. ఈ ఉన్నత స్థాయి గుర్తింపు GCNN అనేది కేశనాళిక డైనమోలిసిస్ చిత్రాల వివక్షకు ఒక మంచి పద్ధతి అని సూచిస్తుంది మరియు దాని పనితీరు టమోటా నమూనా తాజాగా ఉందా లేదా స్తంభింపజేసిందా అనే దానిపై ఆధారపడి ఉండదు.