بازشناسی انواع پسته بر پایه بینایی ماشین، فیلترهای گابور و الگوریتم وراثتی

در این پژوهش، روشی نوین و کارآمد برای بازشناسی انواع پسته با بهره گیری از فیلترهای گابور و الگوریتم وراثتی ارائه شده است که هدف آن افزایش سرعت و دقت در فرآیند طبقه بندی می باشد. برخلاف روش های پیشین که عمدتا بر پردازش جداگانه دانه های منفرد پسته تکیه داشته اند و از این رو با وجود دقت مناسب، از نظر زمانی و محاسباتی پرهزینه بوده اند، روش پیشنهادی از پردازش کل نگر تصاویر مجموعه ای از پسته ها بهره می گیرد و بدین وسیله فرآیند بازشناسی را تسریع و بهینه سازی می کند. در این چارچوب، ابتدا ویژگی های بافتی و شکلی برجسته از تصاویر با استفاده از فیلترهای گابور استخراج می گردد. سپس، الگوریتم وراثتی به منظور انتخاب ویژگی های بهینه و حذف داده های زائد به کار گرفته می شود. ویژگی های منتخب نهایتا به طبقه بند  kهمسایه نزدیک تر (KNN) منتقل شده تا طبقه بندی نهایی صورت گیرد. ارزیابی روش پیشنهادی بر روی پایگاه داده ای شامل ۱۰۰۰ زیرتصویر متعلق به پنج نوع رایج پسته (اکبری، احمدآقایی، کله قوچی، فندقی و بادامی) انجام شد و نتایج حاکی از نرخ طبقه بندی صحیح ۵/۹۹ درصد می باشد. در مقایسه با روش های یادگیری عمیق، روش پیشنهادی با وجود عدم نیاز به آموزش عمیق و منابع پردازشی سنگین، دقتی قابل رقابت با آن ها ارائه داده و سرعت پیاده سازی بسیار بالاتری دارد. این ویژگی ها روش پیشنهادی را به گزینه ای مناسب برای کاربردهای صنعتی، به ویژه در خطوط تولید و بسته بندی هوشمند پسته بدل می سازد و گامی موثر در جهت خودکارسازی فرآیندهای کشاورزی و کاهش هزینه های زمانی و انسانی تلقی می شود.

کلیدواژه ها:

الگوریتم وراثتی ، بازشناسی پسته ، طبقه بندی تصویر ، طبقه بند k همسایه نزدیک تر ، فیلتر گابور