В этой статье обсуждается использование глубокого обучения для распознавания фруктов и его применение. В начале описываются особенности глубинного обучения и подробно характеризуется структура популярных архитектур глубоких нейронных сетей, а также подходы к обучению нейросетевой модели. Далее анализируется потенциал использования глубокого обучения в качестве продвинутого инструмента интеллектуального анализа данных. В ходе работы были рассмотрены некоторые современные подходы к решению задачи распознавания фруктов по их изображению и было дано подробное описание работы сверточной нейронной сети и архитектурного метода EfficientNet, используемого для распознавания фруктов с использованием набора данных Fruit360. Результаты показали, что предложенная модель достигает точности 95 %. Конечной целью проведенного исследования была разработка автоматизированных технических решений для повышения точности распознавания фруктов по их изображениям. Представленная в данной работе система также направлена на повышение эффективности и простоты процесса расчета цен на товары в торговом центре. Ключевым нововведением в проделанном исследовании являются алгоритмы распознавания на изображениях фруктов на основе глубокого обучения. Насколько нам известно, результаты данного исследования превзошли результаты, представленные в других работах, также основанных на использовании описанного выше набора данных. Проведенные в этом исследовании эксперименты показали, что предложенный подход является перспективным решением проблемы распознавания пищевых изображений. Описанная в данной статье работа включает в себя дальнейшее улучшение производительности алгоритмов и интеграцию их в систему реального мира.

This paper discusses the use of deep learning (DL) for fruit recognition and its applications. We first briefly introduced deep learning and described in detail the structure of some popular deep neural network architectures and approaches for model training. We also analyzed the potential of using deep learning as an advanced data mining tool. In the course of the paper, we reviewed some state-of-the-art approaches to the task of fruit recognition from images. Further, the convolutional neural network (CNN) and EfficientNet for fruit recognition using the Fruit360 dataset will be explained in more detail. The results show that the proposed model achieves an accuracy of up to 95 %. The ultimate goal of our research is to develop automated technical solutions to improve the accuracy of fruit recognition from their images. The system we propose in this paper is aimed at increasing the efficiency and simplicity of the process of calculating the price of goods in a retail center. The key novelty in this work is the algorithms for fruit image recognition based on deep learning. To the best of our knowledge, the results of this research have outperformed the results of other submitted work using this dataset. Our experiments have shown that the proposed approach is a promising solution to the food recognition problem. This article’s work includes further improvements in algorithm performance and integration into a real-world system.