دانشگاه ملی مهارت فصلنامه علمی کارافن 2382-9796 مقالات آماده انتشار 2026 05 17 Design and implementation of an intelligent system for pistachio evaluation and classification using deep learning طراحی و پیاده سازی دستگاه هوشمند ارزیابی و طبقه بندی پسته مبتنی بر یادگیری عمیق 243743 10.48301/kssa.2026.541812.3292 FA امیرحسین علیزاده دانش آموخته کارشناسی مهندسی کامپیوتر گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه ، ایران 0009-0006-3477-8795 ایمان ذباح مربی گروه کامپیوتر، دانشگاه ازاد اسلامی تربت حیدریه،تربت حیدریه،ایران 0000-0003-1630-444X Journal Article 2025 09 13 Abstract:<br /> Considering the critical importance of pistachio quality and its impact on export markets, the development of an intelligent system for classifying open-shell (Khandan) and closed-shell pistachios is an essential requirement in the pistachio processing industry. In this study, a deep learning–based system was developed to analyze pistachio images and perform highly accurate classification. Given that proper imaging of samples is a crucial part of the processing pipeline, a dedicated pistachio analyzer device was designed and constructed to ensure optimal image acquisition. After image collection, the data underwent preprocessing, feature extraction, and final classification using deep learning models. Three deep learning architectures were investigated and evaluated for classifying pistachio images into three categories: &quot;open-shell,&quot; &quot;semi-open-shell,&quot; and &quot;closed-shell&quot;: a basic Convolutional Neural Network (CNN), a pre-trained GoogleNet model, and an EfficientNet model. Among these, the EfficientNet model achieved the highest overall accuracy of 99.68%, outperforming the other models. The results demonstrate that deep learning–based computer vision methods surpass traditional approaches in both speed and accuracy, providing a viable solution for improving efficiency and reliability in pistachio production lines. با توجه به اهمیت کیفیت پسته و تأثیر آن بر بازارهای صادراتی، طراحی یک سیستم هوشمند برای طبقه‌بندی پسته‌های خندان و ناخندان، به عنوان یک نیاز ضروری در صنعت فرآوری این محصول مطرح است. در این پژوهش، سیستمی مبتنی بر شبکه‌های عصبی عمیق توسعه داده شد که قادر است تصاویر پسته را تحلیل و با دقت بالا طبقه‌بندی کند. از آنجایی که بخش مهمی از پردازش به تصویر برداری صحیح از نمونه ها وابسته است، طراحی و ساخت دستگاه آنالیزور پسته با هدف تصویر برداری صحیح انجام شده است. پس از جمع‌آوری داده‌های تصویری، پیش‌پردازش، استخراج ویژگی‌ها و طبقه‌بندی نهایی با استفاده از مدل‌های یادگیری عمیق صورت گرفته است. در این پژوهش، سه مدل یادگیری عمیق شامل شبکه‌ی کانولوشنی ساده، شبکه عمیق گوگل از پیش آموزش داده شده و مدل عمیق افیشنت برای طبقه‌بندی تصاویر پسته‌ها در سه کلاس «خندان»، «نیمه‌خندان» و «ناخندان» مورد بررسی و ارزیابی قرار گرفتند. در مقایسه‌ی انجام‌شده، مدل سوم توانسته است در نهایت به دقت کلی 99.68% دست یابد و نسبت به سایر مدل‌ها عملکرد بهتری ارائه دهد. نتایج به‌دست‌آمده نشان دادند که بهره‌گیری از متدهای بینایی ماشین مبتنی بر یادگیری عمیق، عملکرد بهتری نسبت به روش‌های سنتی داشته و می‌تواند موجب بهبود سرعت و دقت در خطوط تولید گردد.