ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر

سال انتشار: 1399
کد COI مقاله: JR_SAFRON-8-3_006
زبان مقاله: فارسیمشاهد این مقاله: 52
فایل این مقاله در 81 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 81 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر

مرتضی محمد زاده مقدم - دانشجوی دکتری، مهندسی علوم و صنایع غذایی، گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
مسعود تقی زاده - استادیار، گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
حسن صدرنیا - دانشیار، گروه مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد
حمیدرضا پوررضا - استاد، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد

چکیده مقاله:

طبقه­بندی زعفران به عنوان گران­ترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجه­بندی زعفران استفاده می­شود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونه­ها انجام می­شود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام می­گیرد. طبق نظر متخصصان، استفاده از تکنیک­های یادگیری ماشین برای طبقه­بندی زعفران به دلیل داشتن ماهیت غیر مخرب و خصوصیات بهنگام، یک هدف است. این روش همچنین می­تواند باعث افزایش دقت فرآیند درجه­بندی در مقیاس صنعتی شود. در این مقاله، یک روش مبتنی بر ماشین بینایی ارائه شده است. با توجه به عدم تحقیقات مستند در مورد این موضوع، جستجوی مشروح جامع در این کار ارائه می­شود. تقریباً تمام ویژگی­های رنگ استخراج و در تعداد زیادی از طبقه­بندی کننده­ها استفاده شد. افراد خبره در ایران زعفران را بر اساس خصوصیات ظاهری به سه طبقه اصلی یعنی پوشال، نگین و سرگل طبقه­بندی می­کنند. در این مقاله، یک بانک اطلاعاتی متشکل از 440 تصویر از زعفران برای سه کلاس مختلف با استفاده از دوربین تلفن همراه جمع­آوری شد. پس از اعمال تعدادی از مراحل پیش پردازش مانند حذف پس زمینه، بریدن و حذف مناطق ناخواسته تصاویر و غیره ، 21 ویژگی رنگی با استفاده از روش های مختلف تحلیل تصویر استخراج شد. برای طبقه­بندی از 22 طبقه­بندیگر استفاده شدند. مقایسه نتایج طبقه­بندی کننده­های مختلف نشان داد که Linear Discriminant ، Linear SVM، Bagged Trees و RUSBoost Trees می توانند در هنگام استفاده از ویژگی­های رنگی، درجه­بندی دقیق­تری را نسبت به سایر طبقه­بندی کننده­ها ایجاد کنند. به طور خاص، دراین کار، میانگین دقت 23/82 درصد با استفاده از طبقه­بندی­کننده خطی SVM بدست آمد.

کلیدواژه ها:

طبقه بندی, زعفران, پردازش تصویر

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1180661/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
محمد زاده مقدم، مرتضی و تقی زاده، مسعود و صدرنیا، حسن و پوررضا، حمیدرضا،1399،طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر،،،،،https://civilica.com/doc/1180661

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، محمد زاده مقدم، مرتضی؛ مسعود تقی زاده و حسن صدرنیا و حمیدرضا پوررضا)
برای بار دوم به بعد: (1399، محمد زاده مقدم؛ تقی زاده و صدرنیا و پوررضا)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • Atefi, M., Akbari Oghaz, A., and Mehri, A. 2013. Drying ...
  • Azarabadi, N., and Özdemir, F. 2018. Determination of crocin content ...
  • Azizi, Z., Moradi, S.H., Moradi S.M., Rafat, S.A., and Shodja, ...
  • Bonyadi, M.H.J., Yazdani, S., and Saadat, S. 2014. The ocular ...
  • de Oliveira, E.M., Leme, D.S., Barbosa, B.H.G., Rodarte, M.P., and ...
  • Donis-González, I.R., and Guyer, D.E. 2016. Classification of processing asparagus ...
  • Dutta, R., Dutta, R., Smit, D., Rawnsley, R., Bishop-Hurley, G., ...
  • Faucitano, L., Huff, P., Teuscher, F., Gariepy, C., and Wegner, ...
  • Fernández, J.A. 2004. Biology, biotechnology and biomedicine of saffron. Recent ...
  • Hu, M.H., Dong, Q.L., and Liu, B.L. 2016. Classification and ...
  • Huang, M., Tang, J., Yang, B., and Zhu, Q. 2016. ...
  • Kafi, M., Koocheki, A., and Rashed, M. 2006. Saffron (Crocus ...
  • Kamiński, B., Jakubczyk, M., and Szufel, P. 2018. A framework ...
  • Kiani, S., and Minaei, S. 2016. Potential application of machine ...
  • Kiani, S., Minaei, S., and Ghasemi-Varnamkhasti, M. 2018. Instrumental approaches ...
  • Kuo, T.Y., Chung, C. L., Chen, S.Y., Lin, H.A., and ...
  • Martínez, A.M., and Kak, A.C. 2001. Pca versus lda. IEEE ...
  • Masi, E., Taiti, C., Heimler, D., Vignolini, P., Romani, A., ...
  • Minaei, S., Kiani, S., Ayyari, M., and Ghasemi-Varnamkhasti, M. 2017. ...
  • Mohammadzadeh, A., Golzarian, M., and Abbaspour, F.M. 2016. Classification of ...
  • Muhammad, G. 2015. Date fruits classification using texture descriptors and ...
  • Nasirahmadi, A., Sturm, B., Olsson, AC., Jeppsson, KH., Müller, S., ...
  • Nouri-Ahmadabadi, H., Omid, M., Mohtasebi, S.S., and Firouz, M.S. 2017. ...
  • Omid, M., Firouz, M.S., Nouri-Ahmadabadi, H., and Mohtasebi, S.S. 2017. ...
  • Paulus, I., and Schrevens, E. 1999. Shape characterization of new ...
  • Peter, K.V. 2012. Handbook of Herbs and Spices. Elsevier, 1-640. ...
  • Pourreza, A., Pourreza, H., Abbaspour-Fard, M H., and Sadrnia, H. ...
  • Riveiro-Valiño, J., Álvarez-López, C., and Marey-Pérez, M.F. 2009. The use ...
  • Shahdadi, H., Barati, F., Bahador, R.S., and Eteghadi, A. 2016. ...
  • Siedliska, A., Baranowski, P., and Mazurek, W. 2014. Classification models ...
  • Sun, D.W. 2016. Computer Vision Technology for Food Quality Evaluation. ...
  • Xie, C., Yang, C., and He, Y. 2017. Hyperspectral imaging ...
  • Zhang, M., Lee, D.J., Lillywhite, K., and Tippetts, B. 2017. ...
  • Zheng, H., and Lu, H. 2012. A least-squares support vector ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 28,235
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی