انجمن بینایی ماشین و پردازش تصویر ایران مجله ماشین بینایی و پردازش تصویر 2383-1197 13 1 2026 06 22 Automatic Assessment of Physical Wheat Grain Health Using an Enhanced U-Net Model with ResNet-50 Backbone ارزیابی خودکار سلامت فیزیکی دانه‌های گندم با استفاده از مدل U-Net بهبودیافته با ستون فقرات ResNet-50 23 31 247157 FA سمیه رنجبر دانشجوی دکتری هوش مصنوعی، گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران 0009-0004-4442-2472 ام الکلثوم شهریاری استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران وفا میهمی استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران Journal Article 2025 09 11 Assessing the physical health of wheat grains is crucial for effective supply chain management and food security. In regions such as western Iran, this process traditionally relies on manual visual inspection—a method that is slow, prone to human error, and often leads to inaccurate pricing. To address these shortcomings, this study introduces a fully automated, deep learning-based approach. Our core innovation lies in integrating an enhanced U-Net architecture with a powerful, pre-trained ResNet-50 backbone and employing a class-weighting technique to overcome key challenges such as grain adhesion and class imbalance (i.e., the scarcity of defective kernels). The developed model performs pixel-wise semantic segmentation, classifying images into four distinct categories: background, healthy, unhealthy (broken), and shriveled kernels. Evaluated on an independent test set of 227 images using 5-fold cross-validation, the model achieved a high overall pixel accuracy of 98.2% and a mean Intersection over Union (IoU) score of 0.62. A significant practical advantage is its high inference speed of 0.08 seconds per image, enabling real-time processing. The results demonstrate that this solution provides an accurate, rapid, and reliable tool capable of effectively replacing error-prone manual inspection. It eliminates human subjectivity and provides a standardized, automatable method for assessing grain quality in procurement centers, border inspection stations, and smart farming systems. بررسی سلامت فیزیکی دانه‌های گندم نقشی حیاتی در زنجیره تأمین و امنیت غذایی دارد. در مناطق غربی ایران، این بررسی به‌طور سنتی و از طریق بازرسی چشمی دستی انجام می‌شود که فرآیندی کند، خطاپذیر و منجر به محاسبه نادرست قیمت است. برای رفع این مشکل، این پژوهش یک روش کاملاً خودکار مبتنی بر یادگیری عمیق ارائه می‌دهد. نوآوری اصلی در ترکیب یک معماری U-Net بهبودیافته با یک ستون فقرات (Backbone) قوی از پیش آموزش‌دیده (ResNet-50) و همچنین به کارگیری تکنیک وزن‌دهی کلاس برای غلبه بر چالش‌های کلیدی مانند چسبندگی دانه‌ها و تعداد کم دانه‌های معیوب (عدم تعادل کلاس) است. مدل توسعه‌یافته، تصاویر دانه‌ها را در چهار کلاس مجزا بخش‌بندی می‌کند: پس‌زمینه، سالم، ناسالم (شکسته) و چروکیده. ارزیابی بر روی یک مجموعه داده مستقل شامل ۲۲۷ تصویر و با استفاده از اعتبارسنجی متقاطع پنج‌بخشی نشان داد که مدل به دقت کلی پیکسلی 98.2% و میانگین شاخص اشتراک بر اجتماع(IOU) برابر 0.62 دست می‌یابد. مزیت برجسته مدل، سرعت استنتاج بالا (0.08 ثانیه بر تصویر) است که پردازش بلادرنگ را ممکن می‌سازد. نتایج نشان می‌دهد این راه‌حل، به‌عنوان ابزاری دقیق، سریع و قابل اعتماد، می‌تواند به‌طور مؤثر جایگزین روش دستی شده، خطای انسانی را حذف کند و فرآیند ارزیابی و قیمت‌گذاری گندم را در مراکز خرید، بازرسی مرزی و سیستم‌های کشاورزی هوشمند استانداردسازی نماید. https://www.jmvip.ir/article_247157_eff977361c3c39a86e855fef750ad718.pdf