ضرغام فاضل نیاری - دانشجوی دوره دکترای تخصصی، گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
امیرحسین افکاری سیاح - دانشیار گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی،دانشگاه محقق اردبیلی.
یوسف عباسپور گیلانده - استاد گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

دستیابی به دانش پایه بینایی ماشین در کنترل کیفی بذر گندم اهمیت ویژه ای دارد. در این پروژه، با تهیه سخت ­افزار و نرم ­افزار مناسب، تصویر ۲۱۰۰۰ عدد نمونه دانه، تهیه و با الگوریتم طراحی شده پردازش شد. نود و یک ویژگی شکل، بافت و رنگ محاسبه و رتبه­ بندی شد. از میان پنج مدل طبقه ­بندی­ کننده، بیشترین صحت کل، طبقه بندی در مدل شبکه عصبی مصنوعی با دو لایه پنهان و به­ کار گیری ۳۵ ویژگی برتر اول به ­دست آمد. در آزمون این مدل با استفاده از داده های مستقل، صحت طبقه بندی برای گندم سفید درشت، گندم سفید کوچک، گندم سفید شکسته، گندم سفید چروکیده، گندم قرمز، جو و چاودار به ­ترتیب ۱۰۰، ۷/۹۶، ۳/۹۹، ۳/۹۰، ۹۹، ۷/۹۹، ۹۸ درصد و میانگین آنها ۶/۹۷ درصد محاسبه شده است. صحت کل طبقه بندی در مدل های تحلیل تفکیک خطی، تحلیل تفکیک درجه دوم، K- نزدیک­ترین همسایگی و شبکه عصبی مصنوعی با یک لایه پنهان به ­ترتیب ۹۵، ۷/۹۶، ۶/۹۱ و ۳/۹۷ درصد به ­دست آمده است. در شرایط این تحقیق، سیستم بینایی ماشین شامل دوربین دیجیتال صنعتی و طبقه­ بندی کننده مدل شبکه عصبی مصنوعی دو لایه، با صحت خوبی قابل استفاده در بررسی کیفیت ظاهری بذر گندم تشخیص داده شده است.

داده کاوی, طبقه بندی دانه, کاهش ویژگی, کنترل کیفیت, گواهی بذر