توضیحات
چکیده
شناسایی ارقام برنج در کشاورزي مدرن از اهمیت بالایی برخوردار است. ویژگی هاي بافتی از میان عوامل مختلف میتواند براي شناسایی ارقام برنج استفاده شود. پردازش تصاویر دیجیتال به عنوان روشی جدید میتواند براي استخراج ویژگی هاي بافت به کار برده شود. هـدف از ایـن پـژوهش شناسـایی ارقام برنج با استفاده از ویژگی هاي بافت تصویر به کمک پردازش تصویر و شبکه هاي عصبی مصنوعی پس انتشار میباشد. براي تشـخیص ارقـام بـرنج، پنج رقم برنج ایرانی به نامه اي فجر، شیرودي، ندا، طارم محلی و خزر تهیه شدند. 108ویژگی بافتی از تصاویر برنج با استفاده از مـاتریس هـم وقـوعی تصویر سطوح خاکستري استخراج گردید. سپس شناسایی ارقام با استفاده از شبکه عصبی مصنوعی پس انتشار صورت پذیرفت. پس از ارزیابی شبکه هاي یک لایه با استفاده از ویژگی هاي بافتی، بیشترین دقت طبقه بندي براي ارقام شلتوك، برنج قهوه اي و سفید به ترتیب %97/8 ،%92/2و %98/9به دسـت آمد. پس از اینکه شبکه با دولایه پنهان مورد ارزیابی قرار گرفت، بهترین میانگین دقت طبقه بندي براي تشخیص ارقام شـلتوك ،%96/67بـراي بـرنج قهوه اي %97/78و براي برنج سفید %98/88حاصل شد. بیشترین دقت طبقه بندي پس از انتخاب ویژگی براي شلتوك با 45ویژگی ،%98/9براي ارقام رنج قهوه اي با 11ویژگی انتخاب شده %93/3و براي ارقام برنج سفید %96/7با 18ویژگی انتخاب شده به دست آمد.
مقدمه
سیستم ماشین بینایی، تکنولـوژي امیـد بخشـی بـراي تشـخیص سریع ارقام محصولات کشاورزي و اتوماسیون کردن جابه جایی غلات میباشد کـه ایـن سیسـتم بـه صـورت آنـی بـه بازرسـی محصـولات کشـاورزي مـیپـردازد (Majumdar and Jayas, 2000b). یکـی از روش هاي نوین تشخیص ارقـام بـرنج اسـتفاده از پـردازش تصـویر و طبقه بندهاي شبکه هاي عصبی مصنوعی مـیباشـد(Shantaiya et al., 2010) ویژگی هـاي رنگـی، مورفولـوژي و بافـت، ویژگـی هـاي مهمی براي شناسایی ارقام محصولات کشاورزي به حسـاب مـیآینـد (Neelamma et al., 2011). مطالعات انجام شده نشان میدهند که ویژگی هاي بافت، معیار مناسبی براي تشخیص و طبقه بندي بسـیاري از محصــولات کشــاورزي مــیباشــد( 2000bMajumdar and Jayas). در تحقیقی با استخراج ویژگی هاي رنگی و بافتی بـه عنـوان ورودي شبکه عصبی پس انتشار به تشخیص دانه هاي گندم، جو، جـو دوسر و چاودار پرداخته شده است.
ABSTRACT
Identification of rice cultivars in modern agriculture is of great importance. Textural properties can be used to identify rice cultivars. Digital image processing can be used as a new method for extracting texture features. The purpose of this research is to identify rice cultivars using image texture features using image processing and artificial post-propagation neural networks. Five rice varieties were identified by Fajr, Shirodi, Neda, Tarom and Khazar for identification of rice cultivars. 108 texture features of rice images were extracted using a matrix of coincidence of gray levels. The identification of the cultivars was then carried out using an artificial post-propagation artificial neural network. After evaluating one-layer networks using texture characteristics, the highest classification accuracy for rice cultivars, brown rice and white rice was 8.97%, 92.2%, and 98.9%, respectively. After evaluating the hidden double layer, the best average classification accuracy for the detection of rice varieties was 67.66% for brown rice 78.79% and for white rice, 98.88%. The highest classification accuracy after the selection of the attribute for the runners with 45 characteristics, 98.9% for brown varieties with 11 selected characteristics was 93.3%, and for white rice cultivars, 96.7% with 18 selected characteristics.
INTRODUCTION
The vision machine system is a promising technology for rapid identification of agricultural product varieties and automation of cereal displacement, which immediately monitors agricultural products (Majumdar and Jayas, 2000b). One of the new methods for detecting rice cultivars is the use of image processing and artificial neural networks (Shantaiya et al., 2010). Color characteristics, morphology and texture are important attributes for identifying agricultural cultivars (Neelamma et al. al., 2011). Studies have shown that tissue properties are a good criterion for the identification and classification of many agricultural products (2000bMajumdar and Jayas). In the study, the extraction of color and texture properties as inputs of the post-propagation neural network has been used to detect wheat, barley, oats and rye seeds.
Year: 2015
Publisher : Journal of Agricultural Machinery
By : Iman Golpour-Ja’far Amiri Perian-Reza Amiri-Chajiang-Javad Khazaee
File Information: Persian Language/ 9 Page / size: 763 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1394
ناشر : نشریه ماشین هاي کشاورزي
کاری از : ایمان گلپور -جعفر امیري پریان -رضا امیري چایجان -جواد خزائی
اطلاعات فایل : زبان فارسی / 9 صفحه / حجم : KB 763
نقد و بررسیها
هنوز بررسیای ثبت نشده است.