A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
تعیین عیار ماده معدنی با استفاده از شبکه عصبی MLP و تکنیک پردازش تصویر
در این مقاله امکان تعیین عیار مواد معدنی با استفاده از شبکه عصبی و تکنیک پردازش تصویر مورد بررسی قرار گرفت. نمونه‌های مورد استفاده دراین طرح از معدن چغارت یزد تهیه و تعداد آنها نیز 100 عدد بوده است. در این طرح با تهیه عکس از نمونه‌های پودر شده با دوربین عکاسی دیجیتالی حرفه‌ای و با استفاده از ویژگی‌های تصویری عکس‌ها شامل سه رنگ اصلی قرمز، آبی و سبز(RGB) تصاویر و ویژگی بافتی‌هارلیک شامل انرژی[i] ، آنتروپی[ii]، کنتراست[iii] و یکنواختی تصاویر[iv] و علم پردازش تصاویر با شبکه عصبی MLP[v] اقدام به تعیین عیار ماده معدنی مورد نظر نموده ایم. شبکه عصبی تعیین شده در ابتدا با 70 نمونه آموزش داده شده و سپس با 30 نمونه واقعی آزمایش گردیده است. در این طرح ازسه روش برای آموزش شبکه عصبی استفاده شده که در روش اول تنها سه رنگ اصلی (میزان سطح خاکستری در هر پیکسل)، در روش دوم سه رنگ اصلی به همراه انحراف معیار آنها و در روش سوم سه رنگ اصلی به علاوه ویژگی‌های بافتی تصویر که در بالا ذکر شد به عنوان وروردی شبکه در نظر گرفته شده است. در نهایت شبکه طراحی شده با استفاده از روش اول قادر به پیش بینی عیار آهن با دقت2/95 درصد در روش دوم با دقت 9/96درصد و در روش سوم با دقت72/97 درصد می‌باشد.
تعیین عیار ماده معدنی با استفاده از شبکه عصبی MLP و تکنیک پردازش تصویر
در این مقاله امکان تعیین عیار مواد معدنی با استفاده از شبکه عصبی و تکنیک پردازش تصویر مورد بررسی قرار گرفت. نمونه‌های مورد استفاده دراین طرح از معدن چغارت یزد تهیه و تعداد آنها نیز 100 عدد بوده است. در این طرح با تهیه عکس از نمونه‌های پودر شده با دوربین عکاسی دیجیتالی حرفه‌ای و با استفاده از ویژگی‌های تصویری عکس‌ها شامل سه رنگ اصلی قرمز، آبی و سبز(RGB) تصاویر و ویژگی بافتی‌هارلیک شامل انرژی[i] ، آنتروپی[ii]، کنتراست[iii] و یکنواختی تصاویر[iv] و علم پردازش تصاویر با شبکه عصبی MLP[v] اقدام به تعیین عیار ماده معدنی مورد نظر نموده ایم. شبکه عصبی تعیین شده در ابتدا با 70 نمونه آموزش داده شده و سپس با 30 نمونه واقعی آزمایش گردیده است. در این طرح ازسه روش برای آموزش شبکه عصبی استفاده شده که در روش اول تنها سه رنگ اصلی (میزان سطح خاکستری در هر پیکسل)، در روش دوم سه رنگ اصلی به همراه انحراف معیار آنها و در روش سوم سه رنگ اصلی به علاوه ویژگی‌های بافتی تصویر که در بالا ذکر شد به عنوان وروردی شبکه در نظر گرفته شده است. در نهایت شبکه طراحی شده با استفاده از روش اول قادر به پیش بینی عیار آهن با دقت2/95 درصد در روش دوم با دقت 9/96درصد و در روش سوم با دقت72/97 درصد می‌باشد.
تعیین عیار ماده معدنی با استفاده از شبکه عصبی MLP و تکنیک پردازش تصویر
مهدی ذاکری خطیر (author) / امید شاه حسینی (author) / سید ضیاءالدین شفائی (author) / محسن رحیمی (author)
2008
Article (Journal)
Electronic Resource
Unknown
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
| DOAJ | 2022
پیش‌بینی نرخ نفوذ ماشین تونلزنی با استفاده از دسته بندی گروهی داده‌های شبکه عصبی
| DOAJ | 2023
پیش بینی تقاضای خدمات بانکداری الکترونیک در ایران با استفاده از روش‌های شبکه عصبی مصنوعی و SARIMA
| DOAJ | 2014
تعیین پارامترهای مدل سازی عددی شبکه درزه های مجزا با استفاده از داد i های لاگ تصویری FMI
| DOAJ | 2011