شناسایی ژنوتیپ های گردو با استفاده از تکنیک های پردازش تصویر و شبکه عصبی
Publish Year: 1387
Type: Conference paper
Language: Persian
View: 1,730
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
NCAMEM05_048
Index date: 7 June 2008
شناسایی ژنوتیپ های گردو با استفاده از تکنیک های پردازش تصویر و شبکه عصبی abstract
یکی از مهمترین ابزارها در برنامه به نژادی گیاهان، شناسایی ژنوتیپ های مختلف آن گیاهان میباشد. یکی از فرایندهای معمول در انجام این عمل بر اساس بررسی چشمی برگها و میوه های گیاهان میباشد. در این بررسی خواص رنگی و ظاهری برگها و میوه ها بررسی میشود. شناسایی نمونه ها و طبقه بندی با استفاده از ماشین بینایی میتواند سریعتر انجام گردد. در این تحقیق سه نمونه گردوی تجاری (Lara, Serr, Rond de montignac) و دو ژنوتیپ (Z63 و 53 Z)مورد مطالعه قرار گرفت. از نمونه ها تصویر برداری شد و خواص مورفولوژیکی و رنگی برای هر یک از تصاویر محاسبه شد و سپس دو مدل شبکه عصبی ناظر (Feed forward back propagation) و غیر ناظر (Self organized map) جهت طبقه بندی نمونه ها استفاده شد. شبکه ناظر نسبت به شبکه غیر ناظر دارای جوابدهی بهتری بود. کمترین خطا در شبکه ناطر با چهار لایه مرکب از 20 نرون مخفی بدست آمد. این شبکه دارای 45 متغیر ورودی بود که باعث طبقه بندی صحیح بقرار زیر شد. 146 نمونه از 150 نمونه آمورشی (دقت 97 %) و 47 نمونه تشخیص صحیح از 50 نمونه تست (دقت 94 %). همانطور که مشخص است دقت طبقه بندی شبکه در نمونه های تست و آموزش تقریبا برابر است بنابراین شبکه ناظر میتواند بخوبی سه واریته و دو ژنوتیپ (پنج ژنوتیپ) را از هم تشخیص دهد.
شناسایی ژنوتیپ های گردو با استفاده از تکنیک های پردازش تصویر و شبکه عصبی Keywords:
شناسایی ژنوتیپ های گردو با استفاده از تکنیک های پردازش تصویر و شبکه عصبی authors
محمود محمودی
دانشجوی کارشناسی ارشد، گروه مهندسی و ماشین آلات کشاورزی، پردیس ابوریح
جواد خزایی
استادیار گروه مهندسی و ماشین آلات کشاورزی، پردیس ابوریحان، دانشگاه ت
کورش وحدتی
استادیار گروه تولیدات گیاهی، پردیس ابوریحان، دانشگاه تهران
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 :