هدف: طبقه‌بندی برنج و تشخیص کیفیت جهت اطمینان از سلامت و کیفیت برنج مصرفی انسان و کاهش خسارات مالی مرتبط با فساد برنج بسیار مهم است. طبقه‌بندی دقیق و کارآمد برنج و روش‌های تشخیص کیفیت می‌تواند به کشاورزان، بازرگانان و تنظیم‌کنندگان بازار کمک کند تا با ارزش‌ترین و باکیفیت‌ترین ارقام برنج را شناسایی و آن‌ها را قادر می‌سازد تا تصمیمات بهتری را در حوزه مدیریت، ذخیره‌سازی و حمل و نقل اتخاذ نمایند. طراحی سیستمی برای طبقه‌بندی خودکار انواع مختلف دانه‌های برنج، یک حوزه تحقیقاتی ارزشمند و حیاتی در کشاورزی مدرن است. روش‌شناسی پژوهش: روش‌های مختلفی در سال‌های اخیر برای شناسایی کیفیت محصولات کشاورزی استفاده شده است، که می‌توان به روش‌های مبتنی‌بر ویژگی‌های رنگ، بافت و آمار اشاره نمود. این پژوهش یک الگوریتم طبقه‌بندی مبتنی‌بر یادگیری عمیق را با استفاده از مدل‌های عمیق ResNet برای تشخیص محتوای ساختاری انواع مختلف ارقام برنج پیشنهاد می‌نماید. ResNet یک مدل یادگیری عمیق اثبات شده با عملکرد چشمگیر در وظایف مختلف بینایی کامپیوتر از جمله طبقه‌بندی سیگنال است. یافته‌ها: ResNet در یادگیری بازنمایی‌های غنی از تصاویر و تعمیم آن‌ها به داده‌های جدید بسیار کارا است. ترکیب یادگیری مانده و یک معماری ساختاریافته در این مدل، آن را به یک انتخاب قابل اعتماد به منظور کاربرد در طبقه‌بندی ارقام برنج تبدیل می‌نماید. در این پژوهش، معماری‌های مختلف ResNet، مانند ResNet34، ResNet50 و نسخه انتقال یافته ResNet50 با استفاده از روش یادگیری انتقالی ، برای ارزیابی عملکرد در طبقه‌بندی برنج و مشکلات تشخیص کیفیت طراحی شده است. عملکرد الگوریتم‌های پیشنهادی در این سه سناریو با سایر مدل‌های یادگیری عمیق و الگوریتم‌های مبتنی‌بر یادگیری واژه‌نامه مقایسه می‌شود. نتیجه‌گیری: نتایج شبیه‌سازی‌ها و تجربیات حاصل نشان می‌دهد که الگوریتم پیشنهادی در سناریو مبتنی‌بر ترکیب از مدل عمیق ResNet50 و یادگیری انتقالی، قادر به شناسایی پنج رقم برنج با نام‌های طارم هاشمی، طارم محلی، شیرودی، فجر و باسماتی با دقت میانگین %83/99 است. همچنین به کمک این سناریو می‌توان کیفیت ارقام برنج را برای درصدهای مختلف ترکیب با سایر ارقام برنج با ارزش کمتر، با دقت متوسط 39%/97 شناسایی نمود.
