تعیین میزان آلودگی توده بذر یونجه به سس با استفاده از روش تحلیل تصویر دیجیتال

علف هرز سس علاوه بر اثر شدید و نامطلوب بر طعم یونجه می تواند با ایجاد تاثیرات خاص سمی، کیفیت علوفه را به شدت کاهش دهد. بهترین راه مبارزه با سس جلوگیری از آلودگی مزارع می باشد. به این منظور می بایست از بذرهایی استفاده گردد که عاری از بذر سس باشند. هم اکنون در بسیاری از مراکز تحقیقاتی برای محاسبه درصد آلودگی بذر یونجه، به روش دستی و با استفاده از بینوکولر، بذور سس و علف های هرز از بذر یونجه شناسایی و شمارش می شود. با توجه به وقت و هزینه اینگونه اندازه گیری و در مقابل دقت پایین آن در این تحقیق یک روش رایانه ای مبتنی بر پردازش تصویر و بکارگیری شبکه عصبی مصنوعی با استفاده از برنامه نویسی در محیط ‭MATLAB ‬طراحی گردید. بدین منظور ابتدا تصاویر مورد نظر با استفاده از یک اسکنر تهیه شد و سپس در محیط ‭MATLAB ‬با بکارگیری حد آستانه مناسب بذور از سطح زمینه جدا گردیدند. در مرحله بعد با استفاده از روابط هندسی به استخراج ویژگی های ابعادی بذور پرداخته شد. این ویژگی ها برای دو گروه بذر یونجه و سس استخراج گردید و به عنوان ورودی های شبکه های عصبی در نظر گرفته شد. برای انتخاب مناسب ترین توپولوژی شبکه های عصبی، انواع مختلف شبکه با توابع یادگیری مختلف و تعداد نرون های متفاوت مورد بررسی قرار گرفت و در نهایت مناسب ترین شبکه، توپولوژی‮‭4-5-1‬ با تابع انتقال لگاریتم سیگمویید ‭(Logsig) ‬و تابع یادگیری ‭GDX ‬به دست آمد. این شبکه قادر به تشخیص درصد بذور سس با ضریب تعیین ‮‭0/95‬ و ریشه میانگین مربعات خطای ‮‭0/017‬ است. نتایج آزمون ‭t ‬نشان داد که بین درصد سس اندازه گیری شده به روش دستی و تخمین به روش تحلیل تصویر، تفاوت معنی داری وجود ندارد. واژه های کلیدی: بذر یونجه، تحلیل تصویر، سس، شبکه های عصبی