تعداد نشریات | 44 |
تعداد شمارهها | 1,301 |
تعداد مقالات | 15,995 |
تعداد مشاهده مقاله | 52,429,316 |
تعداد دریافت فایل اصل مقاله | 15,175,116 |
تشخیص ارقام مختلف نخود با استفاده از یک سامانه بینایی رایانهای مبتنی بر هوش محاسباتی | ||
مکانیزاسیون کشاورزی | ||
دوره 5، شماره 1، اسفند 1399، صفحه 21-31 اصل مقاله (1.27 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jam.2020.12930 | ||
نویسندگان | ||
راضیه پوردربانی* ؛ سجاد سبزی | ||
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
چکیده | ||
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 میباشد. بههمین دلیل هدف از مطالعه جاری ارائه یک سیستم بینایی کامپیوتر بهمنظور تشخیص سه رقم شبیه به هم نخود یعنی آرمان، عادل و آزاد بود. این سیستم دارای مراحل مختلف قطعهبندی، استخراج خصوصیات مختلف رنگی و بافتی، انتخاب خصوصیات موثر و در نهایت طبقهبندی است. برای انجام عملیات طبقهبندی از فضای رنگی YCbCr و اعمال آستانه بر روی مولفههای اول و دوم این فضای رنگی استفاده گردید. در مرحله استخراج خصوصیات مختلف، 84 خصوصیت رنگی و 80 خصوصیت بافتی ماتریس هموقوعی سطح خاکستری استخراج گردید. از میان این خصوصیات مختلف استخراجی، 4 خصوصیت مولفه دوم اضافی فضای رنگی YCbCr، انرژی مربوطبه زاویه 45 درجه، میانگین مولفه اول فضای رنگی YCbCr و انحراف استاندارد مربوطبه زاویه 135 درجه با استفاده از هیبرید شبکه عصبی مصنوعی – الگوریتم تکامل تفاضلی بهعنوان خصوصیات موثر انتخاب شدند. بهمنظور طبقهبندی از سه طبقهبند 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 طبقهبند 1000 تکرار انجام شد. در نهایت نتایج نشان داد که نرخ تشخیص صحیح طبقهبندهای هیبرید شبکه عصبی مصنوعی – الگوریتم فرهنگی، هیبرید شبکه عصبی مصنوعی – الگوریتم زنبورها و هیبرید شبکه عصبی مصنوعی – الگوریتم رقابت استعماری در بهترین تکرار بهترتیب برابر بودند با 92/98، 46/99 و 92/98 درصد. | ||
کلیدواژهها | ||
واژه های کلیدی: الگوریتم بهینهسازی؛ خصوصیات رنگی؛ خصوصیات بافتی؛ فضای رنگی؛ نخود؛ هیبرید شبکه عصبی مصنوعی | ||
مراجع | ||
Ajaz, R.H., and Hussain, L. )2015(. Seed Classification using Machine Learning Techniques. Journal of Multidisciplinary Engineering Science and Technology 2: 1098-1102. Aquino, A., Diago, M.P., Millan B., and Tardaguila, J. )2017(. A new methodology for estimating the grapevineberry number per cluster using image analysis. Biosystem Engineering 156: 80-95. Chaugule, A., and Mali, S.N. )2014(. Evaluation of Texture and Shape Features for Classification of Four Paddy Varieties. Journal of Engineering: 1-8. Fawzi, N.M. )2018(. Seed morphology and its implication in classification of some selected species of genus Corchorus L. (Malvaceae). Middle East Journal of Agriculture Research 7: 1-11. Guijarro, M., Riomoros, I., Pajares G., and Zitinski, P. )2015(. Discrete wavelets transform for improving greenness image segmentation in agricultural images. Computers and Electronics in Agriculture 118: 396–407. HemaChitra, H. S., and Suguna, S. )2018(. Optimized feature extraction and classification technique for indian pulse seed recognition. International Journal of Computer Engineering and Applications XII: 421-427. Hong, P. T. T., Hai, L. T., Lan, Hoang, V. T., Hai, V., and Nguyen, T. T. )2015(. Comparative study on vision based rice seed varieties identification. 7th International Conference on Knowledge and Systems Engineering. Jahanbakhshi, A., and Kheiralipour, K. (2019). Carrot Sorting Based on Shape using Image Processing, Artificial Neural Network, and Support Vector Machine. Journal of Agricultural Machinery 9: 295-307. Kurtulmus, F., Alibas, I., and Kavdir, I. (2016). Classification of pepper seeds using machine vision based on neural network. International. Journal of Agricultural and Biological Engineering 9: 51-62. Lin, S., Xinchao, M., Jiucheng X., and Yun, T. (2019). An Image Segmentation Method Using an Active Contour Model Based on Improved SPF and LIF. Applied Sciences 8: 2576.
Pourdarbani, R., Sabzi, S., García-Amicis, V.M., García-Mateos, G., Molina-Martínez, J.M., Ruiz-Canales, A. (2019). Automatic classification of chickpea varieties using computer vision techniques. Agronomy, 9(11), https://doi.org/10.3390/agronomy9110672 Sabzi, S., Abbaspour-Gilandeh, Y., Hernandez, J., Azadshahraki F., and Karimzadeh, R. (2019.) The Use of the Combination of Texture, Color and Intensity Transformation Features for Segmentation in the Outdoors with Emphasis on Video Processing. Agriculture 9: 104. Tang, J., Chen, X.-Q., Miao R.-H., and Wang, D. (2016). Weed detection using image processing under different illumination for site-specific areas spraying. Computers and Electronics in Agriculture 122: 103–111. Vlasov, A. V., and Fadeev, A.S. (2017). Comparison of object classification methods in seed stream separation. Advances in Computer Science Research 72: 179-181.
| ||
آمار تعداد مشاهده مقاله: 392 تعداد دریافت فایل اصل مقاله: 260 |