Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
پیش بینی محتوی چربی و طبقه بندی گوشت شتر مبتنی بر ترکیب روش غیر مخرب پردازش تصویر و شبکه های عصبی مصنوعی
گوشت شتر به دلیل داشتن کلسترول و چربی کم و میزان پروتئین مناسب، می‌تواند جایگزین مناسبی برای سایر انواع گوشت قرمز در رژیم غذایی انسان باشد. هدف از این تحقیق، بررسی و ارزیابی تازگی و مقدار محتوی چربی گوشت شتر با استفاده از فن‌آوری غیر مخرب ماشین بینایی است. بنابراین، با استفاده از پردازش تصویر به عنوان یکی از روش های غیر مخرب و دستگاه سوکسله به عنوان روش مخرب، به پیش بینی مقدار محتوی چربی و طبقه بندی تازگی گوشت شتر پرداخته شد. در روش پردازش تصویر 108 ویژگی بافتی و 39 ویژگی رنگی در فضاهای رنگی RGB،HSV، HIS و CIElab از تصاویر نمونه ها استخراج شد. همچنین برای تخمین این پارامترها، از شبکۀ عصبی پیشخور با الگوریتم پس-انتشار با یک و دو لایۀ پنهان، تعداد نرون و توابع انتقال مختلف استفاده شد. با توجه به نمودار رگرسیونی چربی به دست آمده از روش مخرب (چربی به دست آمده از دستگاه سوکسله) با چربی حاصله از روش غیر مخرب (ماشین بینایی) ضریب تبیین و دقت بین آن ها 841/0 به دست آمد. نتایج ارزیابی شبکه‌های عصبی نشان داد که مطلوب‌ترین شبکه برای طبقه بندی بر اساس تازگی، شبکة با یک لایۀ پنهان با توپولوژی 1-3-147، با توابع انتقال تانژانت سیگموئید-خطی به ترتیب در لایۀ پنهان اول و لایۀ خروجی و با ضریب تبیین 996/0 و میانگین خطای مربعات 22-10×3/2، و همچنین برای پیش بینی مقدار محتوی چربی، شبکة با دو لایۀ پنهان با توپولوژی 1-3-3-147 با تابع انتقال خطی-لگاریتم سیگموئید-لگاریتم سیگموئید در لایه‌های پنهان اول، دوم و لایۀ خروجی با ضریب تبیین و میانگین خطای مربعات به ترتیب 99/0 و 402/0 به دست آمد. بنابراین نتایج بدست آمده از این تحقیق، نشان می دهد که سامانه پیشنهادی با کمک فن‌آوری ماشین بینایی قادر است با دقت بسیار خوبی تازگی و مقدار چربی گوشت شتر را پیش بینی کند.
پیش بینی محتوی چربی و طبقه بندی گوشت شتر مبتنی بر ترکیب روش غیر مخرب پردازش تصویر و شبکه های عصبی مصنوعی
گوشت شتر به دلیل داشتن کلسترول و چربی کم و میزان پروتئین مناسب، می‌تواند جایگزین مناسبی برای سایر انواع گوشت قرمز در رژیم غذایی انسان باشد. هدف از این تحقیق، بررسی و ارزیابی تازگی و مقدار محتوی چربی گوشت شتر با استفاده از فن‌آوری غیر مخرب ماشین بینایی است. بنابراین، با استفاده از پردازش تصویر به عنوان یکی از روش های غیر مخرب و دستگاه سوکسله به عنوان روش مخرب، به پیش بینی مقدار محتوی چربی و طبقه بندی تازگی گوشت شتر پرداخته شد. در روش پردازش تصویر 108 ویژگی بافتی و 39 ویژگی رنگی در فضاهای رنگی RGB،HSV، HIS و CIElab از تصاویر نمونه ها استخراج شد. همچنین برای تخمین این پارامترها، از شبکۀ عصبی پیشخور با الگوریتم پس-انتشار با یک و دو لایۀ پنهان، تعداد نرون و توابع انتقال مختلف استفاده شد. با توجه به نمودار رگرسیونی چربی به دست آمده از روش مخرب (چربی به دست آمده از دستگاه سوکسله) با چربی حاصله از روش غیر مخرب (ماشین بینایی) ضریب تبیین و دقت بین آن ها 841/0 به دست آمد. نتایج ارزیابی شبکه‌های عصبی نشان داد که مطلوب‌ترین شبکه برای طبقه بندی بر اساس تازگی، شبکة با یک لایۀ پنهان با توپولوژی 1-3-147، با توابع انتقال تانژانت سیگموئید-خطی به ترتیب در لایۀ پنهان اول و لایۀ خروجی و با ضریب تبیین 996/0 و میانگین خطای مربعات 22-10×3/2، و همچنین برای پیش بینی مقدار محتوی چربی، شبکة با دو لایۀ پنهان با توپولوژی 1-3-3-147 با تابع انتقال خطی-لگاریتم سیگموئید-لگاریتم سیگموئید در لایه‌های پنهان اول، دوم و لایۀ خروجی با ضریب تبیین و میانگین خطای مربعات به ترتیب 99/0 و 402/0 به دست آمد. بنابراین نتایج بدست آمده از این تحقیق، نشان می دهد که سامانه پیشنهادی با کمک فن‌آوری ماشین بینایی قادر است با دقت بسیار خوبی تازگی و مقدار چربی گوشت شتر را پیش بینی کند.
پیش بینی محتوی چربی و طبقه بندی گوشت شتر مبتنی بر ترکیب روش غیر مخرب پردازش تصویر و شبکه های عصبی مصنوعی
زهره مولایی (Autor:in) / مجید دولتی (Autor:in) / ایمان گلپور (Autor:in) / حمید قاسم خانی (Autor:in)
2022
Aufsatz (Zeitschrift)
Elektronische Ressource
Unbekannt
Metadata by DOAJ is licensed under CC BY-SA 1.0
توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی
| DOAJ | 2022
کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی
| DOAJ | 2013
پیش بینی تقاضای خدمات بانکداری الکترونیک در ایران با استفاده از روش‌های شبکه عصبی مصنوعی و SARIMA
| DOAJ | 2014
پیش‌بینی نرخ نفوذ ماشین تونلزنی با استفاده از دسته بندی گروهی داده‌های شبکه عصبی
| DOAJ | 2023