An Ensemble CNN Transfer Learning Model for Wheat Grain Classification
Fragment książki (Rozdział monografii pokonferencyjnej)
MNiSW
140
konferencja
| Status: | |
| Autorzy: | Charytanowicz Małgorzata, Kużelewska Urszula, Stęgierski Rafał |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 240 - 247 |
| Efekt badań statutowych | NIE |
| Finansowanie: | The research was partly carried out within project no. WZ/WI-IIT/3/2023 at Bialystok University of Technology and financed from the research subsidy of Bialystok University of Technology. |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 26th International Conference on Computational Science |
| Skrócona nazwa konferencji: | ICCS 2026 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 29 czerwca 2026 do 1 lipca 2026 |
| Miasto konferencji: | Hamburg |
| Państwo konferencji: | NIEMCY |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| utomated image classification is a fundamental task in computer vision. One of the most powerful deep learning (DL) models employed in image classification is the Convolutional Neural Network (CNN). Its key strength is the automatic extraction of features during direct raw image processing. This work proposes an ensemble transfer learning model based on CNNs to classify wheat grains. The dataset consists of 288 images of the kernels of three wheat grain varieties. In order to build the ensemble model, VGG16, InceptionV3, DenseNet201-V1, DenseNet201-V2, and NASNetMobile were evaluated and compared on the basis of the performance metrics including accuracy, Cohen’s Kappa, precision, recall and F1 score. The ensemble CNN model demonstrated a higher level of performance than its base models achieving an accuracy of 96.48% and F1 score of 97%. Despite the limited amount of data available, the study's findings indicate that the proposed approach is an effective means of enhancing wheat grain classification. |
