اخبار و اعلانات

 آمار

تعداد نشریات285
تعداد نشریات سازمان83
تعداد شماره‌ها3,116
تعداد مقالات34,699
تعداد مشاهده مقاله49,943,728
تعداد دریافت فایل اصل مقاله80,250,283
باقری, علیرضا, حیدری, زهره. (1400). مقایسه دقت شناسایی بذر علف‌های‌هرز با استفاده از رهیافت پردازش تصویر و روش‌های تشخیص الگو. سامانه مدیریت نشریات علمی, 17(2), 65-77. doi: 10.22092/ijws.2021.126929.1336
علیرضا باقری; زهره حیدری. "مقایسه دقت شناسایی بذر علف‌های‌هرز با استفاده از رهیافت پردازش تصویر و روش‌های تشخیص الگو". سامانه مدیریت نشریات علمی, 17, 2, 1400, 65-77. doi: 10.22092/ijws.2021.126929.1336
باقری, علیرضا, حیدری, زهره. (1400). 'مقایسه دقت شناسایی بذر علف‌های‌هرز با استفاده از رهیافت پردازش تصویر و روش‌های تشخیص الگو', سامانه مدیریت نشریات علمی, 17(2), pp. 65-77. doi: 10.22092/ijws.2021.126929.1336
باقری, علیرضا, حیدری, زهره. مقایسه دقت شناسایی بذر علف‌های‌هرز با استفاده از رهیافت پردازش تصویر و روش‌های تشخیص الگو. سامانه مدیریت نشریات علمی, 1400; 17(2): 65-77. doi: 10.22092/ijws.2021.126929.1336

مقایسه دقت شناسایی بذر علف‌های‌هرز با استفاده از رهیافت پردازش تصویر و روش‌های تشخیص الگو

دانش علف‌های هرز ایران
مقاله 5، دوره 17، شماره 2، مهر 1400، صفحه 65-77    اصل مقاله (1.31 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijws.2021.126929.1336
نویسندگان
علیرضا باقری* 1؛ زهره حیدری2
1استادیار گروه مهندسی تولید و ژنتیک گیاهی، پردیس کشاورزی و منابع طبیعی، دانشگاه رازی، کرمانشاه
2دانش آموخته کارشناسی ارشد گروه مهندسی تولید و ژنتیک گیاهی، پردیس کشاورزی و منابع طبیعی، دانشگاه رازی، کرمانشاه
چکیده
به‌منظور شناسایی بذر علف‌های‌هرز به کمک رهیافت بینایی ماشین، از دو روش شبکه عصبی مصنوعی و آنالیز تشخیص متعارف استفاده شد. بذرهای تاج‌خروس ریشه‌قرمز (Amaranthus retroflexus)، تاج‌خروس خوابیده (Amaranthus blitoides)، سلمه‌تره
(Chenopodium album)، قدومه (Alyssum hirsutum) و خردل وحشی (Sinapis arvensis) جمع‌آوری‌ شد و پس از ثبت تصاویر آن‌ها، خصوصیات مربوط به شکل هر بذر استخراج شد. داده‌های استخراج شده، به‌صورت خام و استاندارد شده درآمدند. همچنین با استفاده از روش رگرسیون گام‌به‌گام، مهم‌ترین خصوصیات شکلی بذرها نیز شناسایی شدند. نتایج نشان داد که دقت شناسایی شبکه عصبی ساخته ‌شده از داده‌های خام و استاندارد مربوط به 13 متغیر پیشگو، به‌ترتیب 36/84 و 34/83  درصد و برای شبکه عصبی ساخته ‌شده از داده‌های ورودی خام و استاندارد حاصل از رگرسیون گام‌به‌گام، به‌ترتیب 30/84 و 39/83 درصد بود. دقت شناسایی روش آنالیز تشخیص متعارف نیز بر اساس کل داده‌های خام و استاندارد ورودی، به‌ترتیب 90/84 و 70/84 درصد بود. همچنین دقت شناسایی بذرها با استفاده از هر دو داده‌ خام و استاندارد حاصل از رگرسیون گام‌به‌گام در این روش، 6/82 درصد بود. بیشترین دقت شناسایی در هر دو روش (با بیش از 95 درصد دقت)، به علف‌های‌هرز قدومه و تاج‌خروس ریشه‌قرمز تعلق داشت. علاوه بر این، بالاترین دقت شناسایی بذرهای سلمه‌تره در هر دو روش، بالاتر از 87 درصد بود. این امر نشان می‌دهد که استفاده از خصوصیات شکلی در مدل‌های تشخیص الگو، دارای پتانسیل خوبی در شناسایی بذرهای این علف‌های‌هرز بود.
کلیدواژه‌ها
شناسایی هوشمند بذر؛ شکل بذر؛ هوش مصنوعی؛ یادگیری ماشین
عنوان مقاله [English]
Classification of weed seeds using image processing and pattern recognition methods
نویسندگان [English]
Alireza Bagheri1؛ Zohreh Heydari2
1Department of Agronomy and Plant Breeding, Razi University, Kermanshah, Iran
2Department of Agronomy and Plant Breeding, Razi University, Kermanshah, Iran
چکیده [English]
In order to identify weed seeds by machine vision approach, two methods of artificial neural network (ANN) and canonical discriminant analysis (CDA) were applied. The seeds of Amaranthus retroflexus, Amaranthus blitoides, Chenopodium album, Alyssum hirsutum, and Sinapis arvensis were collected and the images of these seeds were recorded. The obtained images were processed and then characteristics related to the shape of each seed were extracted. The extracted data were in in the raw and standardized forms. In addition, main shape characteristics of the seeds were identified by stepwise regression. The results showed that the accuracy of the ANN constructed from the raw and the standard data were 84.30% and 83.39%, respectively. Identification accuracy of ANN was 84.30% and 83.39% for the raw and standard data extracted from stepwise regression. The results of CDA method showed that the identification accuracy of total raw and standard data were 84.9% and 84.7% respectively. Identification accuracy of this method was 82.6% for both raw and standard data extracted from stepwise regression. The highest identification accuracy in both methods (more than 95%) was belonged to A. retroflexus and A. hirsutum. In addition, the seed identification accuracy of C. album in both methods was higher than 87%. This suggests that the use of shape features in pattern recognition models had reliable potential in identifying the seeds of these weeds.
کلیدواژه‌ها [English]
Artificial intelligence, machine learning, seed identification, seed shape
مراجع

Abdipour, M., Younessi-Hmazekhanlu, M., Ramazani, S.H.R. and omidi, A.H. 2019. Artificial neural
networks and multiple linear regression as potential methods for modeling seed yield of safflower
(Carthamus tinctorius L.). Ind. Crop Prod. 127: 185-194.
Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R. and Chehaibi, S. 2019. Prediction of
organic potato yield using tillage systems and soil properties by artificial neural network (ANN) and
multiple linear regressions (MLR). Soil Till. Res. 190: 202-208.
Alvarez, R. 2009. Predicting average regional yield and production of wheat in the Argentine Pampas by
an artificial neural network approach. Eur. J. Agro. 30: 70-77.
Anouar, F., Mannino, M., Casals, M., Fougereux, J. and Demilly, D. 2001. Carrot seeds grading using a
vision system. Seed Sci. Thechnol. 29: 215-225.
Anysz, H., Zbiciak, A. and Ibadov, N. 2016. The influence of input data standardization method on
prediction accuracy of artificial neural networks. Procedia. Eng. 153: 66-70.
Arefi, A., Motlagh, A.M. and Khoshroo, A. 2011. Recognition of weed seed species by image processing.
J. Food Agric. Environ. 9: 379-383.
Bagheri, A., Eghbali, L. and Sadrabadi Haghighi, R. 2019. Seed classification of three species of
amaranth (Amaranthus spp.) using artificial neural network and canonical discriminant analysis. J.
Agric. Sci. 157: 333-341.
Bagheri, M., Rashed Mohassel, M. and Golzarian, M. 2015. Comparison of the efficiency of three types
of artificial neural networks in identifying seeds of twenty weed species. Iranian J. Weed Ecol. 3: 31-
39.
Cervantes, E., Martín, J.J. and Saadaoui, E. 2016. Updated methods for seed shape analysis. Scientifica.
10.
Chtioui, Y., Bertrand, D. and Barba, D. 1998. Feature selection by a genetic algorithm. Application to
seed discrimination by artificial vision. J. Sci. Food Agric. 76: 77-86.
Chtioui, Y., Bertrand, D., Dattée, Y. and Devaux, M.F. 1996. Identification of seeds by colour imaging:
Comparison of discriminant analysis and artificial neural network. J. Sci. Food Agric. 71: 433-441.
Dubey, B., Bhagwat, S., Shouche, S. and Sainis, J. 2006. Potential of artificial neural networks in varietal
identification using morphometry of wheat grains. Biosyst. Eng: 95, 61-67.
Eghbali, L., Sadrabadi Haghighi, R., Moein Rad, H. and Bagheri, A. 2013. Identification of seeds of
different species of Amaranthus spp. Using machine vision approach and artificial neural networks.
Iranian J. Seed Res. 2: 74-85.
Eizenga, G.C., Ali, M., Bryant, R.J., Yeater, K.M., McClung, A.M. and McCouch, S.R. 2014.
Registration of the rice diversity panel 1 for genomewide association studies. J. Plant Regist. 8: 109-
116.
Elizondo, D., McClendon, R. and Hoogenboom, G. 1994. Neural network models for predicting
flowering and physiological maturity of soybean. Trans. ASAE. 37: 981-988.
Granitto, P.M., Navone, H.D., Verdes, P.F. and Ceccatto, H.A. 2002. Weed seeds identification by
machine vision. Comput. Electron. Agric. 33: 91-103.
Hoyo, Y. and Tsuyuzaki, S. 2013. Characteristics of leaf shapes among two parental Drosera species and
a hybrid examined by canonical discriminant analysis and a hierarchical Bayesian model. Am. J. Bot.
100: 817-823.
Kasabov, N.K. 1996. Foundations of neural networks, fuzzy systems, and knowledge engineering. The
MIT Press.
Kaul, M., Hill, R.L. and Walthall, C. 2005. Artificial neural networks for corn and soybean yield
prediction. Agric. Syst. 85: 1-18.
Lippmann, R. 1994. Book Review:" Neural Networks, A Comprehensive Foundation", by Simon Haykin.
Int. J. Neural Syst. 5: 363-364.
Melesse, A.M. and Hanley, R.S. 2005. Artificial neural network application for multi-ecosystem carbon
flux simulation. Ecol. Modell. 189: 305-314.
Nemes, A., Schaap, M. and Wösten, J. 2003. Functional evaluation of pedotransfer functions derived
from different scales of data collection. Soil Sci. Soc. Am. J. 67: 1093-1102.
Olesen, M.H., Carstensen, J.M. and Boelt, B. 2011. Multispectral imaging as a potential tool for seed
health testing of spinach (Spinacia oleracea L.). Seed Sci. Technol. 39: 140-150.
Pourreza, A., Pourreza, H., Abbaspour-Fard, M.-H. and Sadrnia, H. 2012. Identification of nine Iranian
wheat seed varieties by textural analysis with image processing. Comput. Electron. Agric. 83: 102-
108.
Rahmani, E., Khalili, A. and Liaghat, A. 2008. Quantitative Survey of Drought Effects on Barley Yield in
East Azerbaijan by Classical Statistical Methods. J. Sci. Technol. Agric. Nat. Resour.
Shahin, M. and Symons, S. 2003. Lentil type identification using machine vision. Can. Biosyst. Eng. 45:
3.5-3.11.
Shrestha, S., Deleuran, L.C., Olesen, M.H. and Gislum, R. 2015. Use of multispectral imaging in varietal
identification of tomato. Sensors. 15: 4496-4512.
Somaratne, S., Seneviratne, G. and Coomaraswamy, U. 2005. Prediction of soil organic carbon across
different land-use patterns. Soil Sci. Soc Am. J. 69: 1580-1589.

آمار
تعداد مشاهده مقاله: 1,259
تعداد دریافت فایل اصل مقاله: 516


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب