تشخیص ارقام مختلف نخود با استفاده از یک سامانه بینایی رایانه ای مبتنی بر هوش محاسباتی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 108

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAMTB-5-1_003

تاریخ نمایه سازی: 24 بهمن 1401

چکیده مقاله:

چکیده نخود زراعی یکی از انواع مختلف حبوبات  ودارای مصارف مختلف غذایی است. این محصول همانند سایر محصولات کشاورزی دارای ارقام مختلفی است که در بسیاری از موارد هر رقم دارای کاربرد خاصی است. بنابراین، تشخیص ارقام مختلف نخود دارای اهمیت می باشد. به همین دلیل هدف از مطالعه جاری ارائه یک سیستم بینایی کامپیوتر به منظور تشخیص سه رقم شبیه به هم نخود یعنی آرمان، عادل و آزاد بود. این سیستم دارای مراحل مختلف قطعه بندی، استخراج خصوصیات مختلف رنگی و بافتی، انتخاب خصوصیات موثر و در نهایت طبقه بندی است. برای انجام عملیات طبقه بندی از فضای رنگی YCbCr و اعمال آستانه بر روی مولفه های اول و دوم این فضای رنگی استفاده گردید. در مرحله استخراج خصوصیات مختلف، ۸۴ خصوصیت رنگی و ۸۰ خصوصیت بافتی ماتریس هم وقوعی سطح خاکستری استخراج گردید. از میان این خصوصیات مختلف استخراجی، ۴ خصوصیت مولفه دوم اضافی فضای رنگی YCbCr، انرژی مربوط به زاویه ۴۵ درجه، میانگین مولفه اول فضای رنگی YCbCr و انحراف استاندارد مربوط به زاویه ۱۳۵ درجه با استفاده از هیبرید شبکه عصبی مصنوعی – الگوریتم تکامل تفاضلی به عنوان خصوصیات موثر انتخاب شدند. به منظور طبقه بندی از سه طبقه بند هیبرید شبکه عصبی مصنوعی – الگوریتم فرهنگی، هیبرید شبکه عصبی مصنوعی – الگوریتم زنبورها و هیبرید شبکه عصبی مصنوعی – الگوریتم رقابت استعماری استفاده گردید و جهت بررسی میزان قابلیت اعتماد هر طبقه بند ۱۰۰۰ تکرار انجام شد. در نهایت نتایج نشان داد که نرخ تشخیص صحیح طبقه بند های هیبرید شبکه عصبی مصنوعی – الگوریتم فرهنگی، هیبرید شبکه عصبی مصنوعی – الگوریتم زنبورها و هیبرید شبکه عصبی مصنوعی – الگوریتم رقابت استعماری در بهترین تکرار به ترتیب برابر بودند با ۹۲/۹۸، ۴۶/۹۹ و ۹۲/۹۸ درصد.

کلیدواژه ها:

واژه­ های کلیدی: الگوریتم بهینه سازی ، خصوصیات رنگی ، خصوصیات بافتی ، فضای رنگی ، نخود ، هیبرید شبکه عصبی مصنوعی

نویسندگان

راضیه پوردربانی

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران

سجاد سبزی

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ajaz, R.H., and Hussain, L. )۲۰۱۵(. Seed Classification using Machine ...
  • Aquino, A., Diago, M.P., Millan B., and Tardaguila, J. )۲۰۱۷(. ...
  • Chaugule, A., and Mali, S.N. )۲۰۱۴(. Evaluation of Texture and ...
  • Fawzi, N.M. )۲۰۱۸(. Seed morphology and its implication in classification ...
  • Guijarro, M., Riomoros, I., Pajares G., and Zitinski, P. )۲۰۱۵(. ...
  • HemaChitra, H. S., and Suguna, S. )۲۰۱۸(. Optimized feature extraction ...
  • Hong, P. T. T., Hai, L. T., Lan, Hoang, V. ...
  • Jahanbakhshi, A., and Kheiralipour, K. (۲۰۱۹). Carrot Sorting Based on ...
  • Kurtulmus, F., Alibas, I., and Kavdir, I. (۲۰۱۶). Classification of ...
  • Lin, S., Xinchao, M., Jiucheng X., and Yun, T. (۲۰۱۹). ...
  • Pourdarbani, R., Sabzi, S., García-Amicis, V.M., García-Mateos, G., Molina-Martínez, J.M., ...
  • Tang, J., Chen, X.-Q., Miao R.-H., and Wang, D. (۲۰۱۶). ...
  • Vlasov, A. V., and Fadeev, A.S. (۲۰۱۷). Comparison of object ...
  • نمایش کامل مراجع