بخش کشاورزی و صنایع مربوط به آن از جمله شالوده‌های اصلی اقتصاد کشورهای مختلف به‌خصوص جوامع درحال توسعه به شمار می‌رود. یکی از زیر مجموعه‌های بخش کشاورزی که به طور چشم‌گیری در دنیا در حال توسعه است، فناوری پس از برداشت محصولات کشاورزی می‌باشد. در این میان سنجد یک میوه با خواص غذایی و دارویی بالا می‌باشد که بیشتر با استفاده از روش‌های سنتی و دستی درجه‌بندی می‌شود. خصوصیات رنگی و ظاهری سنجد یکی از مهم‌ترین عوامل مرتبط با کیفیت آن به‌شمار می‌رود. با توجه به افزایش روز افزون مصرف این محصول در جهان و با توسعه فناوری‌های جدید، نیاز به روش نوین با بازدهی بالا و بدون دخالت انسان جهت درجه‌بندی میوه سنجد وجود دارد. برای این امر تکنیک‌های بینایی ماشین مبتنی بر یادگیری عمیق برای تعیین درجه کیفی سنجد با دقت قابل قبول می‌تواند مورد استفاده قرار گیرند. از این رو هدف از انجام این پژوهش توسعه یک سامانه درجه‌بندی مبتنی بر بینایی ماشین به منظور درجه‌بندی میوه سنجد در سطوح مختلف سرعت درجه‌بندی می‌باشد. تصاویر داده‌برداری‌شده در سرعت‌های مختلف خطی تسمه نقاله توسط یک سامانه بینایی ماشین و با استفاده از محیط برنامه نویسیPython تحلیل شد و فریم‌های حاوی نمونه‌های سنجد استخراج گردید. از الگوریتم Mask R-CNN به‌منظور قطعه‌بندی فریم‌های خروجی برای به دست آوردن مرز(لبه) نمونه‌ها استفاده شد. بالاترین میانگین صحت مرزبندی در سطح سرعت اول (82/4 سانتی متر بر ثانیه) به مقدار 11/104درصد به دست آمد. با توجه به اهمیت سرعت و صحت برای درجه‌بندی، از شبکه YOLO جهت ایجاد شبکه طبقه‌بند استفاده گردید. به منظور مقایسه نتایج صحت طبقه‌بندی در سرعت‌های مختلف، از دو شبکه YOLOv8x و YOLOv8n استفاده شد. ارزیابی مدل های طبقه‌بند جهت درجه‌بندی میوه سنجد با استفاده از شاخص‌های آماری نظیر حساسیت، اختصاصی بودن، دقت و صحت کل انجام گردید. میزان صحت کل طبقه‌بندی مدل برتر شبکه YOLOv8x در مرحله صحت‌سنجی 25/91 درصد و برای شبکه YOLOv8n، 88/88 درصد در سرعت خطی تسمه نقاله برابر با 18/15 سانتی متر بر ثانیه به دست آمد. نتایج این بررسی نشان داد که سامانه پیش‌نهادی پتانسیل لازم به عنوان یک روش سریع و با صحت مناسب را برای تعیین کلاس کیفی میوه سنجد را دارا است.
