استفاده از ماتریس هم-رخدادی سطح خاکستری برای طبقه بندی کشمش توده ای

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 88

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBSE-50-4_017

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

کشمش یکی از محصولات مهم کشاورزی است. در این تحقیق با استفاده از روش بینایی اقدام به کیفیت سنجی محصول توده­ای کشمش در دو حالت متفاوت شده است. در حالت اول، ۶ طبقه ترکیبی از کشمش خوب و بد و در حالت دوم ۱۵ طبقه ترکیبی از کشمش خوب، بد و چوب و خار و خاشاک مورد بررسی قرار گرفته است. نتایج طبقه­بندی با روش­های LDA و SVM نشان دادند که بهترین دقت طبقه­بندی ۶ طبقه، با روش SVM خطی حاصل شد که دارای دقت ۵۵/۸۵ درصد بوده است. نتایج حاصل برای طبقه­بندی ۱۵ طبقه شامل کشمش خوب، بد و خار و خاشاک نشان داد که بهترین نتیجه باز با روش SVM خطی ولی با دقتی پایین تر در حدود ۵۵/۶۳ درصد حاصل گردید. نتایج نشان داد که روش GLCM بصورت قابل قبولی قادر به تشخیص طبقه محصول توده­ای کشمش بوده و می­تواند جایگزین فرد خبره در کارخانه­های فرآوری کشمش شود.

نویسندگان

مصطفی خجسته نژند

استادیار، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران

حامد رمضانی

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

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 :
  • Abbasgholipour, M., Omid, M., Keyhani, A. & Mohtasebi, S. S. ...
  • Agricultural Statistics. (۲۰۱۷). Ministry of Agriculture, Deputy Director of Economic ...
  • Bai, X., Cao, Z., Wang, Y., Yu, Z., Zhang, X. ...
  • Cabras, P., Angioni, A., Garau, V. L., Minelli, E. V., ...
  • Ebrahimi, E., Mollazade, K. & Babaei, S. (۲۰۱۴). Toward an ...
  • Esmaiilia, M., Sotudeh-Gharebaghb, R., Croninc, K., Mousavia, M.A.E. & Rezazadehd, ...
  • Gardé-Cerdán, T., Arias-Gil, M., Marsellés-Fontanet, A.R., Ancín-Azpilicueta, C. & Martín-Belloso, ...
  • Ghrairi F., Lahouar L., Amira A., Brahmi F., Ferchichi A., ...
  • Guanjun, B., Mimi, J., Yi, X., Shibo, C., & Qinghua, ...
  • Guevara-Hernandez, F. & Gomez-Gil, J. (۲۰۱۱). A machine vision system ...
  • Gurak, P.D., Cabral, L.M.C., Rocha-Leão, M.H.M., Matta, V.M. & Freitas, ...
  • Haralick, R. M., Shanmugam, K. & Dinstein, I. H. (۱۹۷۳). ...
  • Jairaj, K.S., Singh, S.P. & Srikant, K.A. (۲۰۰۹). Review of ...
  • Jiang, G., Wang, X., Wang, Z. & Liu, H. (۲۰۱۶). ...
  • Karimi, N., Kondrood, R. R. & Alizadeh, T. (۲۰۱۷). An ...
  • Liming, X. & Yanchao, Z. (۲۰۱۰). Automated strawberry grading system ...
  • Mokhtar, U., El Bendary, N., Hassenian, A.E., Emary, E., Mahmoud, ...
  • Okamura, N. K., Delwiche, M. J. & Thompson, J. F. ...
  • Olgun, M., Onarcan, A.O., Özkan, K., Işik, Ş., Sezer, O., ...
  • Pangavhane, D.R. & Sawhney, R.L. (۲۰۰۲). Review of research and ...
  • Pham, V.H. & Lee, B.R. (۲۰۱۵). An image segmentation approach ...
  • Rehman, T. U., Zaman, Q. U., Chang, Y. K., Schumann, ...
  • Renzetti, F. R. & Zortea, L. (۲۰۱۱). Use of a ...
  • Su, Q., Kondo, N., Li, M., Sun, H., Al Riza, ...
  • Sun, Y., Gu, X., Sun, K., Hu, H., Xu, M., ...
  • Unay, D., Gosselin, B., Kleynen, O., Leemans, V., Destain, M. ...
  • Wang, A., Zhang, W., & Wei, X. (۲۰۱۹). A review ...
  • Yimyam, P. & Clark, A.F. (۲۰۱۶). ۳D reconstruction and feature ...
  • Yu, X., Liu, K., Wu, D., & He, Y. (۲۰۱۲). ...
  • نمایش کامل مراجع