دستهبندی و تعیین اصالت ارقام برنج به کمک الگوریتم فاکتورگیری ماتریس غیر منفی تنک
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 329
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-17-1_002
تاریخ نمایه سازی: 3 اسفند 1399
چکیده مقاله:
چکیده: تشخیص ارقام برنج و تعیین اصالت آن، یک مسئله مهم در مباحث کشاورزی مدرن و عرصههای علمی و تجاری مرتبط با آن میباشد. به کمک تکنیکهای مختلف پردازش تصویر میتوان به نتایج مطلوبی در زمینه تشخیص ارقام متنوع محصولات کشاورزی دست یافت. انواع ویژگیهای مبتنیبر رنگ یا بافت تصویر میتواند در راستای دستیابی به دقت بالاتر در این حوزه مورد استفاده قرار گیرد. در این مقاله، مسئله تشخیص و تعیین اصالت ارقام برنج به کمک الگوریتم فاکتورگیری ماتریس غیرمنفی تنک مورد بررسی قرار میگیرد. به کمک این تکنیک، مدلهای جامعی به کمک مجموعه قیود تنکی برای هر رقم محصول برنج آموزش داده شده و در روال دستهبندی بکار گرفته میشوند. به منظور دستیابی به مجموعه ویژگیهای موثر در این روال تشخیص، انواع ویژگیهای مبتنیبر رنگ و بافت مورد بررسی قرار گرفته و با توجه به ارزیابیهای انجام شده بهترین بردار ویژگی انتخاب میگردد. همچنین نتایج حاصل از طبقهبند مبتنیبر یادگیری مدل پیشنهادی با نتایج بدست آمده از طبقهبندهای شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار میگیرد. نتایج شبیهسازیهای به همراه تست معناداری آماری نشان میدهد که روش پیشنهادی مبتنیبر واژهنامههای حاصل از ویژگیهای ترکیبی معرفیشده قادر به شناسایی نوع محصول و تعیین اصالت آن با دقت بالایی میباشد.
کلیدواژه ها:
Rice classification ، Quality detection ، Sparse non-negative matrix factorization ، Model learning ، Neural network ، Support vector machine. ، شناسایی ارقام برنج ، اصالت برنج ، فاکتورگیری ماتریس غیر منفی تنک ، شبکه عصبی ، ماشین بردار پشتیبان.
نویسندگان
سمیرا مودتی
University of Mazandaran
سینا مودتی
Sari Agricultural Sciences and Natural Resources University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :