مقایسه عملکرد الگوریتم های مختلف یادگیری ماشین در طبقه بندی کیفی میوه پرتقال بر اساس اطلاعات پردازش تصویر

به کارگیری روش های نوین و هوشمند به منظور درجهبندی سریع، دقیق و غیرمخرب میوه پرتقال یکی از ضرورت هایمهم فرآیند پس از برداشت این محصول ارزشمند محسوب می شود. در پژوهش حاضر، از روش بینایی رایانه ای و الگوریتم های مختلف یادگیری ماشین به منظور طبقه بندی درجات مختلف کیفی میوه پرتقال براساس شاخص های آسیب مکانیکی و آفات-زدگی میوه استفاده شد. در ابتدا تصاویر از سه درجه کیفی مختلف میوه پرتقال شامل سالم، صدمه دیده و آفت زده تهیه شد.پس از انجام عملیات پیش پردازش تصویر، ویژگی های مختلف رنگی، شکلی و بافتی از تصاویر نمونه های میوه پرتقال استخرا ج شدند و برای توسعه الگوریتم های یادگیری ماشین مورد استفاده قرار گرفتند. پنج الگوریتم مهم یادگیری ماشین شامل شبکه-های بیزی (BN)، شبکه های عصبی پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM)، آنالیز تشخیصی خطی (LDA)و درخت تصمیم (DT)برای طبقه بندی کیفی میوه پرتقال استفاده شد. در حالت عدم استفاده از الگوریتم کاهش ویژگی، مادل درخت تصمیم از نوع LMT با مقادیر شاخص های دقت و RMSE به ترتیب برابر با ۹۳/۳۳ درصد و۰/۲۰۴۰ بهترین عملکارد مرحله ارزیابی را در تشخیص درجه کیفی میوه پرتقال داشت. با اعمال الگوریتم انتخاب ویژگی مبتنای بار همبساتگی (CFS)،تعداد ۸ ویژگی از ۶۸ ویژگی اولیه به عنوان ویژگی های بهینه انتخاب شدند. در این حالت، مدل درخت تصمیم از نوع LMTبهترین عملکرد در طبقه بندی درجات مختلف کیفی میوه پرتقال براساس اطلاعات تصویر را با مقادیر دقت و RMSE به ترتیب برابر با ۹۵/۵۶ درصد و ۰/۱۹۳۱ در مرحله ارزیابی به خود اختصاص داد و پس از آن، مدل MLP با دو نورون در لایه مخفی با شاخص های دقت و RMSE به ترتیب برابر با ۹۲/۲۴ درصد و ۲۲۰۵/ ۰ عملکرد بهتری در مقایسه با دیگر مدل های استفاده شده داشت. نتایج نشان داد که به کارگیری الگوریتم انتخاب ویژگی با کاهش ابعاد بردار ویژگی اولیه در فرآیند طبقه بندی باعث افزایش دقت مدل های یادگیری ماشین در مقایسه با حالت استفاده از کل ویژگی های تصویر می شود. پژوهش حاضر می تواند مقدمه ای برای طراحی و توسعه یک سامانه سورتینگ خودکار و هوشمند میوه پرتقال براساس ویژگای های ظاهری و بصری میوه باشد

Keywords:

بینایی رایانه ای , درجه بندی , درخت تصمیم , شبکه های عصبی مصنوعی , ماشین بردار پشتیبان