Banana_Ripeness_Classifier

link

GitHub - minibe0/DieKal

Contribute to minibe0/DieKal development by creating an account on GitHub.

https://github.com/minibe0/DieKal

상세 내용

•

프로젝트 특징 및 목적

◦

바나나의 숙성 상태 자동 분류를 목표로 한 파이썬 기반 머신 러닝 모델 구축. 웹 크롤링을 통해 자동으로 바나나 이미지를 수집, 성숙도에 따른 카테고리 분류 제공.
웹 크롤링을 통한 데이터 수집, 이미지의 평균 색상을 특성으로 사용, SVM, K-NN, Random Forest 알고리즘을 활용한 모델 학습.

•

서비스 소개 

◦

바나나의 사진 업로드 시 숙성 상태 분류 결과 반환. 개인적 용도부터 농산물 유통 분야까지 다양한 활용 가능성.

•

기술 스택 및 상세

◦

언어: Python

◦

머신 러닝 라이브러리: scikit-learn

◦

이미지 처리 라이브러리: OpenCV

◦

웹 크롤링 라이브러리: BeautifulSoup

◦

분류 알고리즘: SVM, K-NN, Random Forest

도전과 문제해결

데이터 부족 문제: 웹 크롤링을 활용한 추가 데이터 수집.

특성 선택 문제: 평균 색상을 단일 특성으로 선택, 높은 분류 성능 얻음.

코드 재사용성: 검색어와 저장 폴더를 딕셔너리로 관리, 함수를 사용해 코드의 재사용성 향상.

이미지 리사이징: 이미지 수집 시 리사이징 코드 추가, 계산 비용 절감.

모델 선택과 성능: SVM, K-NN, Random Forest 세 가지 모델을 사용하여 다양한 성능 평가 진행.

결과 출력

에필로그

•

모델 선택과 비교: KNN, SVM, Random Forest 등 다양한 머신 러닝 모델을 사용해 성능을 비교하고 분석함. 각 모델의 장단점을 이해하고, 최적의 모델을 선택하기 위한 기준을 설정함.

•

데이터 수집의 효율성: 웹 크롤링을 통한 이미지 자동 수집 기능을 구현, 이를 통해 데이터 수집 과정에서의 시간과 노력을 크게 줄임. 또한, 파일명과 폴더 구조를 딕셔너리 및 함수를 사용하여 재사용 가능하게 설계함.

•

코드의 확장성 및 재사용성: 이미지 크롤링 시에 파일명과 폴더를 딕셔너리 및 함수로 관리, 코드의 재사용성과 확장성을 높임. 이미지 리사이징 기능 등을 추가로 구현하여 코드의 유용성을 높임.

•

도전과 문제 해결: 여러 모델을 동시에 사용하여 성능을 비교하는 과정에서 데이터 불일치 문제를 겪음. 이를 해결하기 위해 데이터 전처리 및 레이블링 과정을 철저히 검토하고 수정함.

•

프로젝트의 미래와 확장성: 현재는 바나나의 성숙도만을 분류하지만, 이 기술을 다른 과일이나 식품에도 적용 가능. 또한, 사용자 인터페이스를 추가하여 더 쉽게 접근할 수 있는 앱이나 웹 서비스로 확장할 계획임.