- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات ترویجی کشاورزی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 273 |
| تعداد نشریات سازمان | 72 |
| تعداد شماره‌ها | 1,662 |
| تعداد مقالات | 19,202 |
| تعداد مشاهده مقاله | 10,620,936 |
| تعداد دریافت فایل اصل مقاله | 8,113,747 |
شناسایی ژنوتیپ‌های سیب‌زمینی پس از دوره انبارمانی با استفاده از ترکیب روش‌های پردازش تصویر و شبکه عصبی مصنوعی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 10 تیر 1398 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2019.124819.1295 | ||
| نویسندگان | ||
رویا فرهادی1؛ امیرحسین افکاری سیاح  2؛ بهاره جمشیدی3؛ احمد موسی پور گرجی4
| ||
| 1دانشجوی دکتری رشته مهندسی مکانیک بیوسیستم، گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی. اردبیل. ایران | ||
| 2هیئت علمی گروه مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی | ||
| 3استادیار موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران. | ||
| 4استادیار موسسه تحقیقات اصلاح و تهیه نهال و بذر کرج، ایران | ||
| چکیده | ||
| ذخیره‌سازی سیب زمینی برای اطمینان از عرضه مداوم به مصرف کنندگان و صنعت فرآوری سیب زمینی ضروری است. طی ذخیره‌سازی تغییرات فیزیولوژیکی و اتلاف آب در سیب‌زمینی، باعث تغییر رنگ، شکل، اندازه و تغییر بافت می‌شود. بنابراین نیاز به روش‌های دقیق و سریع برای تعیین کیفیت محصول وجود دارد. در این مطالعه روش ماشین بینایی و شبکه عصبی مصنوعی برای کلاسه‌بندی و مدل‌سازی دو نمونه سیب‌زمینی ذخیره شده تحت شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه‌گیری شده مربوط به ویژگی‌های رنگ، بافت و مورفولوژیکی، 3 ویژگی طول قطر بزرگ، فشردگی و مساحت از ویژگی‌های مورفولوژی، دو ویژگی L* و b* از ویژگی‌های رنگی و از ویژگی‌های بافت، 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری به عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم‌های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت(LM) با کمترین میانگین مربعات خطا 012/0= RMSE و بیشترین ضریب تبیین 01/95 R2= درصد به عنوان مدلی بهینه در طبقه‌بندی (کلاسه‌بندی) دو نمونه سیب‌زمینی انبار شده در انبار فنی و غیرفنی شناخته شد. دقت شناسایی ژنوتیپ اگریا 2/89 و 6/87 درصد و ژنوتیپ کلون 4/92و 3/90 درصد به ترتیب در انبار غیرفنی و فنی بود. | ||
| کلیدواژه‌ها | ||
| سیب زمینی؛ ماشین بینایی؛ ذخیره سازی؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Identify of potato genotypes by combining machine vision techniques and neural networks after the storage period | ||
| نویسندگان [English] | ||
| roya farhadi1؛ Amir Hossein Afkari Sayyah2؛ Bahareh Jamshidi3؛ ahmad mousapour gorji4 | ||
| 1Ph.D Student in Mechanical Biosystem Engineering, Department of Biosystems Engineering, Faculty of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran. | ||
| 3Agricultural Engineering Research Institute, Agricultural Research Education and Extension Organization (AREEO), Karaj, Iran | ||
| 44Assistant Professor of Seed and Plant Improvement Research Institute of Karaj,Iran. | ||
| چکیده [English] | ||
| Potato storage is essential to ensure the continued supply of potatoes to both consumers and the potato processing industry. During storage, physiological changes and water loss leads to changes in color, shape, size, and texture of potatoes. Therefore, there is a need to develop a quick and accurate and method to measure the quality of the product. In this study, machine vision and neural networks methods were used to the classification and modeling of two stored potato samples under constant and variable conditions. Among the 29 measured parameters related to color, texture and morphological features, three features: Major Axis Length, Compactness, and area of morphological features, two features: L* and b* of color features and for texture features, two features: Average contrast (Ac) and Average gray level (Agl) were selected as the main parameters. Among the training algorithms, Levenberg–Marquardt (LM) training algorithm with the lowest root mean square error (RMSE=0.012) and the highest coefficient of determination (R2=95.01) were considered as an optimal model for classification of two samples stored in technical and non-technical storage. Accuracy of identification of the potato genotypes was 89.2% and 87.6% for Agria genotype and for Clone genotype was 92.4% and was 90.3% in non-technical and technical storage respectively. | ||
| کلیدواژه‌ها [English] | ||
| Potato, Machine Vision, Storage, Artificial Neural Network | ||
|
آمار تعداد مشاهده مقاله: 6 |
||
