- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- 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
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,077 |
| تعداد مشاهده مقاله | 28,828,353 |
| تعداد دریافت فایل اصل مقاله | 16,319,786 |
تعیین ویژگی ها و مدل بهینه به منظور طبقه بندی اجزای کیفی گندم بذری با استفاده از پردازش تصاویر دوربین دیجیتال صنعتی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 2، دوره 20، شماره 73، اسفند 1398، صفحه 1-18 اصل مقاله (1.06 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2017.109293.1172 | ||
| نویسندگان | ||
| ضرغام فاضل نیاری1؛ امیرحسین افکاری سیاح* 2؛ یوسف عباسپور گیلانده3 | ||
| 1دانشجوی دوره دکترای تخصصی، گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
| 2دانشیار گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی،دانشگاه محقق اردبیلی. | ||
| 3استاد گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
| چکیده | ||
| دستیابی به دانش پایه بینایی ماشین در کنترل کیفی بذر گندم اهمیت ویژه‌ای دارد. در این پروژه، با تهیه سخت افزار و نرم افزار مناسب، تصویر 21000 عدد نمونه دانه، تهیه و با الگوریتم طراحی شده پردازش شد. نود و یک ویژگی شکل، بافت و رنگ محاسبه و رتبه بندی شد. از میان پنج مدل طبقه بندی کننده، بیشترین صحت کل، طبقه‌بندی در مدل شبکه عصبی مصنوعی با دو لایه پنهان و به کار‌گیری ۳۵ ویژگی برتر اول به دست آمد. در آزمون این مدل با استفاده از داده‌های مستقل، صحت طبقه‌بندی برای گندم سفید درشت، گندم سفید کوچک، گندم سفید شکسته، گندم سفید چروکیده، گندم قرمز، جو و چاودار به ترتیب 100، 7/96، 3/99، 3/90، 99، 7/99، 98 درصد و میانگین آنها 6/97 درصد محاسبه شده است. صحت کل طبقه‌بندی در مدل‌های تحلیل تفکیک خطی، تحلیل تفکیک درجه دوم، K- نزدیکترین همسایگی و شبکه عصبی مصنوعی با یک لایه پنهان به ترتیب 95، 7/96، 6/91 و 3/97 درصد به دست آمده است. در شرایط این تحقیق، سیستم بینایی ماشین شامل دوربین دیجیتال صنعتی و طبقه بندی کننده مدل شبکه عصبی مصنوعی دو لایه، با صحت خوبی قابل استفاده در بررسی کیفیت ظاهری بذر گندم تشخیص داده شده است. | ||
| کلیدواژه‌ها | ||
| داده کاوی؛ طبقه‌بندی دانه؛ کاهش ویژگی؛ کنترل کیفیت؛ گواهی بذر | ||
| عنوان مقاله [English] | ||
| Determination of features and optimized model to classify the components of quality wheat seed using industrial digital camera image processing | ||
| نویسندگان [English] | ||
| Zargham Fazel Niari1؛ Amir hossein Afkari-Sayyah2؛ Yousef Abbaspour-Gilandeh3 | ||
| 1Phd Student in Department of Biosystems Engineering, College of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili. | ||
| 2Associate Professor in Department of Biosystems Engineering, College of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili | ||
| 3Professor in Department of Biosystems Engineering, College of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili | ||
| چکیده [English] | ||
| The acquisition of basic knowledge in quality control of wheat seed using machine vision technology is important. The objective of this research was to develop hardware and appropriate software to determine seven-grain groups in wheat seed samples. Ninety-one features were extracted through 21000 single seed images and the shape, texture and color features were ranked. Five classification models were investigated. The highest classification accuracy was obtained by artificial neural network with two hidden layers and the first 35 superior features. In the test run of this model with independent data, classifying accuracy for big white wheat, small white wheat, broken white wheat, wrinkled white wheat, red wheat, barley and rye were 100, 96.7, 99.3, 90.3, 99, 99.7, and 98 percent respectively with the average of 97.6 %. Shape features were more prominent and textural and color characteristics followed it respectively. Average classification accuracy in models of linear discriminant analysis, quadratic discriminant analysis, K- nearest neighbor and artificial neural network with a hidden layer were 95, 96.7, 91.6 and 97.3 % respectively. In the context of this study, the machine vision system comprising an industrial digital camera and artificial neural network with two hidden layers was identified as a valuable system in the investigation of the visual qualities of wheat seeds. | ||
| کلیدواژه‌ها [English] | ||
| Data Mining, Feature Reduction, Grain Classification, Quality Control, Seed Certification | ||
| مراجع | ||
|
Azizi, A., Abbaspour-Gilandeh, Y., Nooshyar, M., & Afkari-Sayah, A. (2015). Identifying potato varieties using machine vision and artificial neural networks. International Journal of Food Properties, 19, 618-635. doi:10.1080/10942912.2015.1038834.
Chelladurai, V., Kaliramesh, S., Technology, P., & Jayas, D. S. (2012). Detection of callosobruchus maculatus (F.) infestation in mung bean (Vigna Radiata) using thermal imaging technique. NABEC-CSBE/SCGAB 2012 Joint Meeting and Technical Conference. July 15-18. Lakehead University, Orillia, Ontario.
Chen, X., Xun, Y., Li, W., & Zhang, J. (2010). Combining discriminant analysis and neural networks for corn variety identification. Computers and Electronics in Agriculture, 71, 48-53. doi:10.1016/j.compag.2009.09.003.
Delwiche, S. R., Yang, I. C., & Graybosch, R. A. (2013). Multiple view image analysis of free falling U. S. wheat grains for damage assessment. Computers and Electronics in Agriculture, 98, 62-73. doi:10.1016/j.compag.2013.07.002.
Dubey, B. P. P., Bhagwat, S. G. G., Shouche, S. P. P., & Sainis, J. K. K. (2006). Potential of artificial neural networks in varietal identification using morphometry of wheat grains. Biosystems Engineering, 95, 61-67. doi:10.1016/j.biosystemseng.2006.06.001.
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7, 179-188.
Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2009). Digital Image Processing using MATLAB. 3rd Ed. Gatesmark Publishing.
Guevara-Hernandez, F., & Gomez-Gil, J. (2011). A machine vision system for classification
Guo, Y., Hastie, T., & Tibshirani, R. (2007). Regularized linear discriminant analysis and its application in microarrays. Biostatistics, 8, 86-100. doi:10.1093/biostatistics/kxj035.
Khazaei, J., Goplour, I., & Ahmadi-Moghaddam, P. (2016). Evaluation of statistical and neural network architectures for the classification of paddy kernels using morphological features. International Journal of Food Properties, 19, 1227-1241. doi:10.1080/10942912.2015.1071839.
Mahesh, S., Manickavasagan, A., Jayas, D. S., Paliwal, J., & White, N. D. G. (2008). Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes. Biosystems Engineering,101, 50-57. doi:10.1016/j.biosystemseng.2008.05.017.
Majumdar, S., & Jayas, D. S. (2000a). Classification of cereal grains using machine vision: Iv. combined morphology, color, and texture models. Transactions of the ASAE, 43, 1689-1694. doi:10.13031/2013.3069.
Majumdar, S., & Jayas, D. S. (2000b). Classification of cereal grains using machine vision: I. Mrphology Models. Transactions of the ASAE, 43, 1669-1675.
Majumdar, S., & Jayas, D. S. (2000c). Classification of cereal grains using machine vision: III. Texture models. Transactions of the ASAE, 43, 1681-1687.
Paliwal, J., Visen, N. S., Jayas, D. S., & White, N. D. G. (2003). Comparison of a neural network and a non-parametric classifier for grain kernel identification. Biosystems Engineering, 85, 405-413. doi:10.1016/S1537-5110(03)00083-7.
Pazoki, A., Pazoki, Z., & Sorkhilalehloo, B. (2013). Rain fed barley seed cultivars identification using neural network and different neurons number. World Applied Sciences Journal. 22, 755-762. doi:10.5829/idosi.wasj.2013.22.05.2036.
Pourreza, A., Pourreza, H., Abbaspour-Fard, M. H., & Sadrnia, H. (2012). Identification of nine Iranian wheat seed varieties by textural analysis with image processing. Computers and Electronics in Agriculture, 83, 102-108. doi:10.1016/j.compag.2012.02.005.
Reunanen, J. (2003). Overfitting in making comparisons between variable selection methods.
Robnik-Šikonja, M., & Kononenko, I. (2003). Theoretical and empirical analysis of reliefF and RReliefF. Machine Learning, 53, 23-69. doi:10.1023/A:1025667309714.
Savakar, D. (2012). Recognition and classification of similar looking food grain images using artificial neural networks. International Journal of Applied Mathematics and Computer Science, 13, 61-65.
Shahin, M. A., & Symons, S. J. (2001). A machine vision system for grading lentils. Canadian Biosystems Engineering / Le Genie des biosystems au Canada, 43, 77-714.
Silva, F. L., da, Grassi Sella, M. L., Francoy, T. M., & Costa, A. H. R. (2015). Evaluating classification and feature selection techniques for honeybee subspecies identification using wing images. Computers and Electronics in Agriculture, 114, 68-77. doi:10.1016/j.compag.2015.03.012.
Szczypiński, P. M. Klepaczko, A., & Zapotoczny, P. (2015). Identifying barley varieties by computer vision. Computers and Electronics in Agriculture, 110, 1-8. doi:10.1016/j.compag.2014.09.016.
Vanloot, P., Bertrand, D., Pinatel, C., Artaud, J., & Dupuy, N. (2014). Artificial vision and chemometrics analyses of olive stones for varietal identification of five French cultivars. Computers and Electronics in Agriculture, 102, 98-105. doi:10.1016/j.compag.2014.01.009.
Venora, G., Grillo, O., & Saccone, R. (2009). Quality assessment of durum wheat storage centres in Sicily: Evaluation of vitreous, starchy and shrunken kernels using an image analysis system. Journal of Cereal Science, 49, 429-440. doi:10.1016/j.jcs.2008.12.006.
Wang, N., Dowell, F. E., & Zhang, N. (2003). Determining wheat vitreousness using image processing and a neural network. Transactions of the ASAE, 46, 1143-1150.
Xia, X., Fan, C., Lu, S. J., & Hou, L. L. (2010). The analysis of wheat appearance quality based on digital image processing. 2nd Conference on Environmental Science and Information Application Technology, July 17-18. Wuhan, China.
Zapotoczny, P. (2011). Discrimination of wheat grain varieties using image analysis and neural networks. Part I. Single kernel texture. Journal of Cereal Science, 54, 60-68. doi:10.1016/j.jcs.2011.02.012.
Zareian, A., Hasani, F., Sadegi, H., & Jazaery, M. R. (2010). Wheat seed certification process and seed production instruction in Iran. 2nd Conference on Seed Science and Technology. | ||
|
آمار تعداد مشاهده مقاله: 355 تعداد دریافت فایل اصل مقاله: 282 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب