طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر
Publish place: Saffron Agronomy and Technology، Vol: 8، Issue: 3
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 313
This Paper With 81 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SAFRON-8-3_006
تاریخ نمایه سازی: 27 فروردین 1400
Abstract:
طبقهبندی زعفران به عنوان گرانترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجهبندی زعفران استفاده میشود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونهها انجام میشود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام میگیرد. طبق نظر متخصصان، استفاده از تکنیکهای یادگیری ماشین برای طبقهبندی زعفران به دلیل داشتن ماهیت غیر مخرب و خصوصیات بهنگام، یک هدف است. این روش همچنین میتواند باعث افزایش دقت فرآیند درجهبندی در مقیاس صنعتی شود. در این مقاله، یک روش مبتنی بر ماشین بینایی ارائه شده است. با توجه به عدم تحقیقات مستند در مورد این موضوع، جستجوی مشروح جامع در این کار ارائه میشود. تقریباً تمام ویژگیهای رنگ استخراج و در تعداد زیادی از طبقهبندی کنندهها استفاده شد. افراد خبره در ایران زعفران را بر اساس خصوصیات ظاهری به سه طبقه اصلی یعنی پوشال، نگین و سرگل طبقهبندی میکنند. در این مقاله، یک بانک اطلاعاتی متشکل از 440 تصویر از زعفران برای سه کلاس مختلف با استفاده از دوربین تلفن همراه جمعآوری شد. پس از اعمال تعدادی از مراحل پیش پردازش مانند حذف پس زمینه، بریدن و حذف مناطق ناخواسته تصاویر و غیره ، 21 ویژگی رنگی با استفاده از روش های مختلف تحلیل تصویر استخراج شد. برای طبقهبندی از 22 طبقهبندیگر استفاده شدند. مقایسه نتایج طبقهبندی کنندههای مختلف نشان داد که Linear Discriminant ، Linear SVM، Bagged Trees و RUSBoost Trees می توانند در هنگام استفاده از ویژگیهای رنگی، درجهبندی دقیقتری را نسبت به سایر طبقهبندی کنندهها ایجاد کنند. به طور خاص، دراین کار، میانگین دقت 23/82 درصد با استفاده از طبقهبندیکننده خطی SVM بدست آمد.
Keywords:
Authors
مرتضی محمد زاده مقدم
دانشجوی دکتری، مهندسی علوم و صنایع غذایی، گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
مسعود تقی زاده
استادیار، گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
حسن صدرنیا
دانشیار، گروه مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد
حمیدرضا پوررضا
استاد، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :