تخمین محتوای نیترات گوجه فرنگی با استفاده از ویژگی های تصویر
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 6
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-21-152_001
تاریخ نمایه سازی: 27 تیر 1403
Abstract:
کاربرد ناصحیح کودهای شیمیایی در تولید محصولات کشاورزی بروز بیماری برای مصرف کنندگان را ممکن می سازد. در این مطالعه تخمین مقدار نیترات تجمع یافته در میوه گوجه فرنگی به کمک پردازش تصویر بررسی شد. این پژوهش در قالب طرح کاملا تصادفی با چهار تیمار نیتروژن در سطوح ۱۲۰۰،۸۰۰،۴۰۰ و ۱۶۰۰ کیلوگرم بر هکتار انجام شد. از هر تیمار ۵۰ نمونه به طور تصادفی برای تهیه تصاویر و ایجاد مدل تخمین انتخاب شد. نمونه ها با ضخامت یکسان برش زده شدند، عکس برداری صورت گرفت و سپس نیترات نمونه ها به روش آزمایشگاهی اندازه گیری شد. مولفه های رنگی R، G و B مرتبط با سطح و محتوای داخلی نمونه ها و همچنین ویژگی های غیررنگی از جمله مساحت پیکسلهای سفید ورقه ها ، مساحت کل ورقه ها و نسبت مساحت پیکسلهای سفید به مساحت کل استخراج شدند. نتایج نشان داد متناسب با سطوح نیتروژن اعمال شده، مقدار نیترات نمونهها به ترتیب ۶/۱، ۷/۲، ۸/۲ و ۳/۳ درصد اندازهگیری شد که این افزایش معنادار بود (P<۰.۰۵). افزون بر آن، مشخص شد محتوای رنگی ورقه ها، مساحت پیکسلهای سفید ورقه ها و نسبت مساحت پیکسلهای سفید به مساحت کل همبستگی بالایی با محتوای نیترات نمونه ها داشت. برای پیش بینی میزان نیترات، مدل رگرسیون چندگانه و شبکه عصبی چند لایه پرسپترون بکاربرده شد. روش بهترین زیر مجموعه رگرسیون برای انتخاب مناسبترین مدل رگرسیون بکاربرده شد. برای انتخاب بهترین مدل شبکه عصبی، معماری ها و توابع انتقال مختلف به کار برده شد و بر اساس نتایج شبکه با ساختار ۱-۱۵-۳ با کمترین مقدار ریشه میانگین مربعات خطا به عنوان بهترین مدل انتخاب شد. برای واسنجی بهترین مدل رگرسیون و شبکه عصبی از ۶۰ نمونه جدید استفاده شد. ساختار معرفی شده توانست با درصد میانگین خطای نسبی ۵/۳ درصد در مقایسه با مدل رگرسیون با مقدار ۲/۵ درصد مقدار محتوای نیترات را تخمین بزند.
Keywords:
IMAGE PROCESSING , NEURAL NETWORK , NITRATE , REGRESSION , TOMATO , پردازش تصویر , رگرسیون , شبکه عصبی مصنوعی , گوجه فرنگی , نیترات
Authors
Seyed Mehdi Nassiri
Department of Biosystems EngineeringShiraz University
Mohammad Amin Nematollahi
Department of Biosystems EngineeringShiraz University
Abdolabbas Jafari
Department of Biosystems EngineeringShiraz University
Peyman Salamrudi
Department of Biosystems EngineeringShiraz University
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 :