<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}]"}
    502 views