A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی
قابلیت تشخیص رنگ، بافت، و شکل در فناوری پردازش تصویر منجر به توسعه سامانه های ماشین بینایی در حوزه های مختلف کشاورزی، صنایع تبدیلی، و صنعت شده است. وجود دانه های با ظاهر نامناسب و ناخالصی ها در نخود و تاثیر مستقیم کیفیت ظاهری محصول بر بازپسندی آن، ضرورت درجه بندی این محصول را نشان می دهد. هدف از تحقیق حاضر تشخیص نخود با ظاهر نامناسب و ناخالصی از نخود با ظاهر مناسب با توسعه یک سامانه ماشین بینایی می باشد. تعداد 270 تصویر شامل تصویر 54 نمونه نخود با ظاهر مناسب و 36 نمونه از هر کدام از انواع نخود با ظاهر نامناسب (چروکیده، سبز رنگ، قهوه ای رنگ، و لپه) و مواد خارجی (سنگ و ساقه) تهیه گردید. پس از تهیه تصاویر نمونه ها، با استفاده از یک الگوریتم پردازش تصویر، مراحل پیش پردازش و استخراج ویژگی به صورت خودکار انجام شده و ویژگی های مختلف رنگ، بافت و شکل استخراج گردید. الگوریتمی برای انتخاب ویژگی های کارا از بین ویژگی های استخراجی توسعه یافت. ویژگی های کارا توسط روش شبکه عصبی مصنوعی با دقت کلی 9/91 درصد طبقه بندی شدند. دقت تشخیص نمونه های نخود مطلوب، چروکیده، لپه، نارس، قهوه ای، و ناخالصی های ساقه و سنگ، به ترتیب برابر 1/98، 3/83، 0/100، 7/91، 2/97، 8/77، و 2/97 درصد بود. با استفاده از سامانه توسعه یافته می توان محصول نخود را با دقت بالا و هزینه پایین درجه بندی نموده تا پس از جداسازی ناخالصی ها، نخود مرغوب و نامرغوب را از هم جدا و برای مصارف مختلف روانه بازار نمود.
توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی
قابلیت تشخیص رنگ، بافت، و شکل در فناوری پردازش تصویر منجر به توسعه سامانه های ماشین بینایی در حوزه های مختلف کشاورزی، صنایع تبدیلی، و صنعت شده است. وجود دانه های با ظاهر نامناسب و ناخالصی ها در نخود و تاثیر مستقیم کیفیت ظاهری محصول بر بازپسندی آن، ضرورت درجه بندی این محصول را نشان می دهد. هدف از تحقیق حاضر تشخیص نخود با ظاهر نامناسب و ناخالصی از نخود با ظاهر مناسب با توسعه یک سامانه ماشین بینایی می باشد. تعداد 270 تصویر شامل تصویر 54 نمونه نخود با ظاهر مناسب و 36 نمونه از هر کدام از انواع نخود با ظاهر نامناسب (چروکیده، سبز رنگ، قهوه ای رنگ، و لپه) و مواد خارجی (سنگ و ساقه) تهیه گردید. پس از تهیه تصاویر نمونه ها، با استفاده از یک الگوریتم پردازش تصویر، مراحل پیش پردازش و استخراج ویژگی به صورت خودکار انجام شده و ویژگی های مختلف رنگ، بافت و شکل استخراج گردید. الگوریتمی برای انتخاب ویژگی های کارا از بین ویژگی های استخراجی توسعه یافت. ویژگی های کارا توسط روش شبکه عصبی مصنوعی با دقت کلی 9/91 درصد طبقه بندی شدند. دقت تشخیص نمونه های نخود مطلوب، چروکیده، لپه، نارس، قهوه ای، و ناخالصی های ساقه و سنگ، به ترتیب برابر 1/98، 3/83، 0/100، 7/91، 2/97، 8/77، و 2/97 درصد بود. با استفاده از سامانه توسعه یافته می توان محصول نخود را با دقت بالا و هزینه پایین درجه بندی نموده تا پس از جداسازی ناخالصی ها، نخود مرغوب و نامرغوب را از هم جدا و برای مصارف مختلف روانه بازار نمود.
توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی
سمیه سلام (author) / کامران خیرعلی پور (author)
2022
Article (Journal)
Electronic Resource
Unknown
نخود , رنگ , بافت , درجه‌بندی , پردازش تصویر , Food processing and manufacture , TP368-456
Metadata by DOAJ is licensed under CC BY-SA 1.0
| DOAJ | 2022
ارزیابی کارایی سامانه استنتاج تطبیقی عصبی-فازی (ANFIS) در برآورد تابش کل خورشیدی
| DOAJ | 2020
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