محبوبیت میوه‌های توت در میان مصرف‌کنندگان و شرکت‌های فرآوری به دلیل ارزش غذایی و مغذی‌ای که اخیراً کشف شده‌اند، افزایش می‌یابد.
به تازگی در بازار از توت سفید تازه امروز نیز به فراوانی یافت می شود.
از آنجایی که ترکیبات غذایی و عملکردی در طی رسیدن کاهش می یابد یا افزایش می یابد، یک رویکرد طبقه بندی مناسب دامنه کاربردهای توت را در صنایع غذایی و دارویی گسترش می دهد.
با توجه به عملکرد خوب مدل‌های یادگیری عمیق در طبقه‌بندی محصولات کشاورزی، در این مقاله به استفاده از شبکه‌های عصبی عمیق برای طبقه‌بندی میوه توت بر اساس رسیده بودن آنها می‌پردازیم.
متأسفانه صنعت توت مشکلات قابل توجهی با کاتیون طبقه بندی توت دارد. معمولاً تشخیص درجه رسیدن میوه های توت توسط پرسنل آموزش دیده از طریق بازرسی چشمی رنگ میوه انجام می شود.
این فرآیند خسته کننده، زمان بر، ذهنی و پرهزینه است.
روش دیگر، شناسایی مراحل رسیدن می تواند با روش های شیمیایی یا فیزیکوشیمیایی انجام شود.
اگرچه این روش ها از دقت بهتری برخوردارند، اما زمان بر، پرهزینه، مخرب و گاهی به تجهیزات تحلیلی پیچیده ای نیاز دارند.
آنها امکان تعیین کمیت کل آونوئیدها، آنتوسیانین ها و جامدات محلول کل (TSS) را می دهند، اما به مقدار مشخصی از نمونه ها محدود می شوند که برای سیستم های مرتب سازی خودکار مناسب نیستند.
بنابراین، نیاز به یک سیستم مرتب سازی خودکار غیرمخرب برای افزایش استفاده از میوه و عرضه محصولات توت با کیفیت بالا به مصرف کنندگان ضروری است.
اخیراً از ابزارهای تحلیلی هوشمند مانند طیف‌سنجی و تصویربرداری طیفی، بینی الکترونیکی، بینایی کامپیوتری برای ارزیابی سطوح رسیدن میوه‌ها استفاده شده است.
برخی از آنها از تکنیک های یادگیری ماشین و تشخیص الگو استفاده می کنند.
با وجود پیشرفت در طبقه بندی، این برنامه ها به دلایل زیر محدود هستند:
1) پیچیدگی این روش ها به دلیل انتخاب دستی ویژگی ها.
2) ناتوانی در تمایز تفاوت های ظریف بین طبقات زیردست.
