تخمین محتوای نیترات گوجه فرنگی با استفاده از ویژگی های تصویر
عنوان مقاله: تخمین محتوای نیترات گوجه فرنگی با استفاده از ویژگی های تصویر
شناسه ملی مقاله: JR_FSCT-21-152_001
منتشر شده در در سال 1403
شناسه ملی مقاله: JR_FSCT-21-152_001
منتشر شده در در سال 1403
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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
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.
کلمات کلیدی: IMAGE PROCESSING, NEURAL NETWORK, NITRATE, REGRESSION, TOMATO, پردازش تصویر, رگرسیون, شبکه عصبی مصنوعی, گوجه فرنگی, نیترات
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/2028956/