<style>
.tekst {
text-align: left;
font-size: 0.5em;
line-height: 1em;
text-align: left;
display: inline-block;
}
</style>
$H_2SO_4 + 2NaOH \to 2H_2O + Na^+ + SO_4^{2-}$
#### INFcon 2022.
## Predviđanje zrelosti breskvi korištenjem modela strojnog učenja
Dejan Ljubobratović
Fakultet informatike i digitalnih tehnologija, Sveučilište u Rijeci
dejan.ljubobratovic@uniri.hr
---
### Aktivnosti doktoranda u 2021/2022
![](https://i.imgur.com/DTgxfjl.jpg)
---
### Predviđanje zrelosti breskvi korištenjem modela strojnog učenja
![](https://i.imgur.com/KpdO1yZ.jpg)
---
### Motivacija
* breskva - Prunus persica (L.) Batsch
* zrelost pri berbi - presudan utjecaj na kvalitetu ploda breskve, vijek trajanja, a posljedično i prihvaćanje kod potrošača.
* točno predviđanje zrelosti plodova
* parametar koji predstavlja zrelost - tvrdoća breskve
* tradicionalne metode za određivanje tvrdoće breskve - destruktivne
---
### Znanstveni radovi
<section><p class="tekst">
Predicting Peach Fruit Ripeness Using Explainable Machine Learning<br>
Ljubobratovic, Dejan; Guoxiang, Zhang; Brkic Bakaric, Marija; Jemric, Tomislav; Matetic, Maja<br>
Proceedings of the 31st International DAAAM Symposium "Intelligent Manufacturing & Automation", Mostar, BiH, DAAAM International Vienna, 2020. str. 0717-0723 <br> doi:10.2507/31st.daaam.proceedings.099 (demonstracija, međunarodna recenzija, cjeloviti rad (in extenso), znanstveni)
</p></section>
<section><p class="tekst">
Utilization of Explainable Machine Learning Algorithms for Determination of Important Features in ‘Suncrest’ Peach Maturity Prediction<br>
Ljubobratović, Dejan; Vuković, Marko; Brkić Bakarić, Marija; Jemrić, Tomislav; Matetić, Maja <br>
Electronics, 10 (2021), 24; 3115, 18 doi:10.3390/electronics10243115 (međunarodna recenzija, članak, znanstveni)
</p></section>
<section><p class="tekst">
Assessment of Various Machine Learning Models for Peach Maturity Prediction Using Non-Destructive Sensor Data<br>
Ljubobratović, Dejan; Vuković, Marko; Brkić Bakarić, Marija; Jemrić, Tomislav; Matetić, Maja <br>
Sensors, 22 (2022), 15; 5791, 19 doi:10.3390/s22155791 (međunarodna recenzija, članak, znanstveni
</p></section>
---
### 1. istraživanje (2020. DAAAM)
- predviđanje tvrdoće breskve modelom slučajne šume (random forest)
- 200 mjerenja: visina, širina, volumen, masa, SSC, TA, Zs, theta i tvrdoća
![](https://i.imgur.com/5zWV1aI.png)
----
### Skup podataka
[dataset](http://www.odraz.com/peaches_200.csv)
![](https://i.imgur.com/od0FESV.jpg)
----
![](https://i.imgur.com/fBFSEx9.png)
----
### Rezultati
```
Confusion Matrix and Statistics
Reference
Prediction 0 1
0 13 0
1 1 26
Accuracy : 0.975
95% CI : (0.8684, 0.9994)
No Information Rate : 0.65
P-Value [Acc > NIR] : 7.404e-07
Kappa : 0.9441
```
![](https://i.imgur.com/9CM9YXm.png)
---
### 2. istraživanje (2021. Electronics)
- Korištenje objašnjivih algoritama strojnog učenja za određivanje najvažnijih svojstava 'Suncrest' breskvi u predviđanju zrelosti
- model stojnog učenja slučajne šume
- Algoritmi objašnjavanja modela strojnog učenja
- Važnost značajki (variable importance)
- Važnost premutiranih značajki (Permutation Feature Importance)
- Lokalno interpretabilna model-agnostička objašnjenja (LIME)
----
### Skup podataka
- 180 mjerenja, 33 svojstva (uglavnom boje)
- CIE L*a*b* and CIE L*C*h° systems (Commission Internationale d’eclairage)
- [dataset](http://www.odraz.com/dataset/01_peaches_RTE_a.csv)
----
ColorTec PCM; ColorTec Associates Inc., USA
![](https://i.imgur.com/qKKccs0.png)
----
### Rezultati
Varijable koje su najviše doprinosile točnosti predviđanja
![](https://i.imgur.com/8Rv1ZZf.png)
---
### 3. istraživanje (2022. Sensors)
- Procjena različitih modela strojnog učenja za predviđanje zrelosti breskve korištenjem nedestruktivnih senzorskih podataka
- linearna regresija (LR)
- linearna diskrimantna analiza (LDA)
- k najbližih susjeda (KNN)
- stabla odlučivanja (CART)
- metoda potpornih vektora (SVM)
- algoritam slučajne šume (RF)
- algoritam podizanja gradijenta (GBM)
- umjetna neuronska mreža (ANN)
----
### Skup podataka
- 180 mjerenja, 33 svojstva
- izbačena mjerenja dobivena destruktivnim putem - preostalo 29 značajki
- The least absolute shrinkage and selection operator (LASSO regularizacija)
- preostalo 8 ulaznih varijabli (značajki)
![](https://i.imgur.com/c1fW7k3.png)
----
### Rezultati
Model koji se pokazao najtočnijim u predviđanju zrelosti breskvi na zadanom skupu je ANN
![](https://i.imgur.com/tkX1CJb.png)
---
Hvala na pažnji
:sun_with_face:
{"metaMigratedAt":"2023-06-17T14:11:19.453Z","metaMigratedFrom":"YAML","title":"INFcon 2022","breaks":"false","slideOptions":"{\"theme\":\"moon\",\"transition\":\"fade\",\"slideNumber\":true,\"previewLinks\":true}","description":"H_2SO_4 + 2NaOH \\to 2H_2O + Na^+ + SO_4^{2-}","contributors":"[{\"id\":\"6dac2c3d-27df-4b2d-963d-98ee1dfd7c23\",\"add\":16854,\"del\":11915}]"}