شناسایی و تعیین موقعیت مکانی ناخالصی های نخود با استفاده کلاسبندهای SVM و KNN

در زمان برداشت نخود، انواع مختلفی از ناخالصی ها در محصول وجود دارد که لازم است پیش از عرضه به بازار، شناسایی و جداسازی شوند. اگرچه بخش زیادی از این ناخالصی های براحتی قابل حذف هستند، اما جداسازی مواردی مانند سنگ ریزه های هم اندازه نخود یا نخودهای نارس و بدرنگ با روش های مرسوم امکان پذیر نیست. هدف این پژوهش، تشخیص نوع و تعیین موقعیت ناخالصی های مختلف نخود با استفاده از دو مدل هوشمند ماشین بردار پشتیبان  (SVM) و K نزدیک ترین همسایه (KNN)  است. برای این منظور، ۴۰۰ تصویر RGB تهیه شد که هر کدام از تصویرها شامل شش کلاس نخود سالم، سبز، سیاه، رنگی، سنگ و لپه بودند. برای شناسایی نوع کلاس هر کدام از اشیای موجود در تصویر و استخراج ویژگی ها، بعد از تعیین موقعیت مکانی، هر یک از ۶ کلاس از تصاویر اصلی جدا گردیدند و به صورت مجزا در ۶ دسته مختلف طبقه بندی شدند. با این عملیات، در مجموع کل تعداد تصاویر اشیا به ۳۸۴۰ رسید. ویژگی هایی شامل میانگین، میانه، واریانس، چولگی، هیستوگرام، آنتروپی و نیز ویژگی های بافتی حاصل از ماتریس هم وقوع سطح خاکستری شامل کنتراست، همبستگی، انرژی و همگنی استخراج شد. در مدل SVM، تابع RBF بهترین عملکرد را در مقایسه با توابع دیگر نشان داد. در مدل KNN نیز بهترین نتایج با ۱۳k=، معیار فاصله City Block و وزن دهی (c+D²)/۱ با ۱c=  حاصل شد. تعیین موقعیت مکانی اشیا بر اساس مختصات مرکز آن ها در محیط MATLAB انجام گرفت. بر اساس نتایج، بیشترین دقت مدل های SVM و KNN در رزولوشن ۲۵۰×۲۵۰ به ترتیب برابر با ۰۹/۹۸ و ۸۸/۹۰ درصد به دست آمد.

کلیدواژه ها:

درجه بندی ، پردازش تصویر ، حبوبات ، ناخالصی نخود