+ - دوره ۶ ‏(۱۳۹۶)
+ - دوره ۵ ‏(۱۳۹۵)
+ - دوره ۴ ‏(۱۳۹۴)
+ - دوره ۳ ‏(۱۳۹۳)
+ - دوره ۲ ‏(۱۳۹۲)
+ - دوره ۱ ‏(۱۳۹۱)
شناسايي و طبقه‌بندي توده‌ها‌ي زيره پارسي Bunium persicum Boiss)) با روش پردازش تصوير در ترکيب با شبکه‌هاي عصبي مصنوعي
عنوان (انگلیسی): Identification and classification of persian Cumin (Bunium persicum Boiss) landraces using image processing in combination with artificial neural networks
نشریه: پژوهش های مکانیک ماشینهای کشاورزی
شماره: پژوهش های مکانیک ماشینهای کشاورزی (دوره: ۵، شماره: ۱)
نویسنده: عاطفه نکویی ، مجید دولتی ، ایمان گلپور
کلیدواژه‌ها : شبكه‌هاي عصبي مصنوعي ، زيره پارسي ، ويژگي‌هاي رنگي و بافتي. ، پردازش تصوير
کلیدواژه‌ها (انگلیسی): Artificial neural networks , Persian cumin. , Color and Texture Feature , Image Processing
چکیده:

زيره پارسي (Bunium persicum)‎ از جمله گياهان دارويي با ارزش اقتصادي و صادراتي بالا است که تشخيص و طبقه‌بندي توده‌هاي آن مهم است. اين عمل با استفاده از بازرسي دستي و بصري بسيار وقت‌گير و داراي خطا است. فناوري بينايي ماشين به عنوان روشي جديد و غيرمخرب مي‌تواند روش بسيارخوبي براي شناسايي و طبقه‌بندي آن‌ها باشد. هدف از انجام اين پژوهش شناسايي توده‌هاي زيره با استفاده از ويژگي‌هاي رنگي و بافتي به کمک پردازش تصوير و شبکه‌ عصبي مصنوعي است. در اين پژوهش هفت توده زيره پارسي از رويشگاه‌هاي طبيعي استان کرمان جمع‌آوري شد و پس از تهيه تصاوير نمونه‌‌ها،‏ 36 ويژگي رنگي و 108 ويژگي بافتي از اين تصاوير در نظر گرفته شد. شناسايي توده‌ها با استفاده از شبکه عصبي پس انتشار انجام شد. بر مبناي نتايج اين پژوهش،‏ ميانگين دقت طبقه‌بندي با شبکه يک لايه براي ويژگي‌هاي رنگي،‏ ويژگي‌هاي بافتي و ترکيب ويژگي‌هاي بافتي و رنگي به ترتيب 55‎/93%،‏ 50‎/93% و40‎/96 % به دست آمد. همچنين کمترين ميانگين خطاي مربعات،‏ براي ويژگي‌هاي رنگي،‏ بافتي و ترکيب ويژگي‌هاي بافتي و رنگي،‏ به ترتيب 172‎/0،‏ 182‎/0 و 148‎/0 حاصل شد. نتايج اين پژوهش نشان داد که فن‌آوري بينايي ماشين و شبکه‌هاي عصبي مصنوعي،‏ توانايي بسيار بالايي در طبقه‌بندي و شناسايي توده‌هاي مختلف زيره پارسي به ويژه در حالت استفاده از ترکيب ويژگي‌هاي بافتي و رنگي دارد.

چکیده (انگلیسی):

Persian cumin (Bunium persicum) is one of the medicinal plants with high economic and expert value which its identification and classification is very important. Manual or visual inspection and classification of Persian cumin is very time-consuming and associated with errors. Therefore machine vision technology as a novel and non-destructive method can be a very good technique for identification and classification of the product. The aim of this study was to identify and to classify Persian cumin landraces based on color and texture features using image processing and artificial neural network. In this research, seven samples of Persian cumin landraces were collected from natural habitats of Kerman province and after image acquisition of samples, 36 color features and 108 textural features were extracted from the images. Identification of landraces was carried out using back propagation ANNs. Based on the results of the study, the mean classification accuracy using a one layer ANN, for the color, texture and color-texture features was equal to 93.55%, 93.50% and 96.40%, respectively. Also, the minimum value of mean square error for color, texture and color-texture features were obtained 0.172, 0.182 and 0.148, respectively.

فایل مقاله : [دریافت (737.3 kB)] ‏446 دریافت تاكنون
صاحب امتیاز:
دانشگاه شهرکرد
مدیر مسئول:
سيد حسن طباطبائی
سردبیر:
دکتر رحیم ابراهیمی
مدیر داخلی:
دکتر مجتبي نادري بلداجي