| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.62 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Recently, retail environments have increasingly turned to self-checkout systems as a way
to simplify operations, providing a seamless customer experience. These systems reduce
the need for manual labor, speeding up checkout times to offer customers more autonomy.
There is a growing need for technologies to address the current challenges related to product
identification. The integration of deep learning and computer vision into self-checkout systems
has the potential to revolutionize product identification. With real-time classification
of products, there is no need for manual input from costumers or employees. However, a
significant challenge in product identification is the classification of fruits and vegetables,
being a hard challenge due to many similarities between them. These technologies offer
more efficiency and convenience to customers, enhancing customer satisfaction, reducing
employee-related expenses while reducing transaction errors and optimizing the overall efficiency
of the retail checkout process.
This dissertation explores the development of two neural network models for the task of fruit
classification, one of the current challenges related to product identification. The objective
of this research is to assess the effectiveness of these architectures in fruit classification.
Both networks were trained and evaluated on a fruit dataset under the same conditions.
Then the experiments were conducted to compare the classification accuracy and model
efficiency of both approaches.
This study gives valuable insights into the application of deep learning techniques for image
recognition, with potential for broader classification tasks and future work in fine-tuning
model architectures for optimized performance.
Recentemente, os ambientes de retalho têm adotado cada vez mais sistemas de self-checkout como forma de simplificar as operações e proporcionar uma experiência mais fluida aos clientes. Estes sistemas reduzem a necessidade de trabalho manual, diminuem o tempo necessário para o pagamento e oferecem maior autonomia aos consumidores. Existe uma crescente necessidade de tecnologias que possam resolver os desafios atuais relacionados com a identificação de produtos. A integração de técnicas de deep learning e visão por computador nos sistemas de self-checkout tem o potencial de revolucionar a identificação de produtos, permitindo a classificação em tempo real sem necessidade de intervenção manual por parte dos clientes ou dos funcionários. No entanto, um dos maiores desafios na identificação de produtos é a classificação de frutas e vegetais, devido às semelhanças que estes podem apresentar entre si. Estas tecnologias oferecem maior eficiência e conveniência para os clientes, melhorando a satisfação dos consumidores, reduzindo os custos associados a funcionários, enquanto diminuem os erros nas transações e otimizam a eficiência geral do processo de checkout. Esta dissertação explora o desenvolvimento de dois modelos de redes neuronais para a tarefa de classificação de frutas, um dos desafios atuais na identificação de produtos. O objetivo desta investigação é avaliar a eficácia destas arquiteturas na classificação de frutas. Ambos os modelos foram treinados e avaliados com o mesmo conjunto de dados de frutas e nas mesmas condições. Posteriormente, foram realizados experimentos para comparar a precisão da classificação e a eficiência de ambos os modelos. Este estudo oferece perspetivas valiosas sobre a aplicação de técnicas de deep learning para o reconhecimento de imagens, com potencial para tarefas de classificação mais amplas e trabalhos futuros de aperfeiçoamento das arquiteturas dos modelos para otimizar o desempenho.
Recentemente, os ambientes de retalho têm adotado cada vez mais sistemas de self-checkout como forma de simplificar as operações e proporcionar uma experiência mais fluida aos clientes. Estes sistemas reduzem a necessidade de trabalho manual, diminuem o tempo necessário para o pagamento e oferecem maior autonomia aos consumidores. Existe uma crescente necessidade de tecnologias que possam resolver os desafios atuais relacionados com a identificação de produtos. A integração de técnicas de deep learning e visão por computador nos sistemas de self-checkout tem o potencial de revolucionar a identificação de produtos, permitindo a classificação em tempo real sem necessidade de intervenção manual por parte dos clientes ou dos funcionários. No entanto, um dos maiores desafios na identificação de produtos é a classificação de frutas e vegetais, devido às semelhanças que estes podem apresentar entre si. Estas tecnologias oferecem maior eficiência e conveniência para os clientes, melhorando a satisfação dos consumidores, reduzindo os custos associados a funcionários, enquanto diminuem os erros nas transações e otimizam a eficiência geral do processo de checkout. Esta dissertação explora o desenvolvimento de dois modelos de redes neuronais para a tarefa de classificação de frutas, um dos desafios atuais na identificação de produtos. O objetivo desta investigação é avaliar a eficácia destas arquiteturas na classificação de frutas. Ambos os modelos foram treinados e avaliados com o mesmo conjunto de dados de frutas e nas mesmas condições. Posteriormente, foram realizados experimentos para comparar a precisão da classificação e a eficiência de ambos os modelos. Este estudo oferece perspetivas valiosas sobre a aplicação de técnicas de deep learning para o reconhecimento de imagens, com potencial para tarefas de classificação mais amplas e trabalhos futuros de aperfeiçoamento das arquiteturas dos modelos para otimizar o desempenho.
Description
Keywords
Self-Checkout Systems Product Identification Fruit Classification Deep Learning Computer Vision CNN (Convolutional Neural Networks) Machine Learning