روشی کارا جهت ارزیابی کیفیت محصول سیب زمینی مبتنی بر بینایی ماشین

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,000

فایل این مقاله در 13 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:

CSITM01_239

تاریخ نمایه سازی: 10 شهریور 1393

چکیده مقاله:

تولید سیب زمینی در ایران بسیار افزایش یافته است. با این حال، در طول ذخیره سازی و جابجایی این محصول مشکلات متعددیوجود دارد و قیمت نهایی سیب زمینی به دست مشتری متناسب با کیفیت آن عرضه نمی گردد. در این تحقیق، یک الگوریتمتشخیص الگو برای ارزایابی کیفیت سیب زمینی به سه کلاس خوب ، متوسط و بد بر اساس پردازش تصویر پیشنهاد شده است. دراین الگوریتم پیشنهادی ابتدا تصاویر سیب زمینی با کیفیت های متفاوت تهیه شد و سپس با استفاده فضای رنگی RGB و Lab و مقیاس خاکستری تعداد 1904 ویژگی بافت و رنگ از آنها استخراج گردید. سپس بوسیله الگوریتم fs-sfs تعداد 30 ویژگی که اطلاعات کافی برای طبقه بندی را داراست، انتخاب شد. و در نهایت کلاسه بندی تصاویر با استفاده از روش کلاس بندی شبکه عصبی MLP صورت گرفت. عملکرد موفقیت این روش 98/01 ارزیابی گردید. در این روش عیوب ظاهری سیب زمینی شامل فساد، لک، ترک خوردگی، غیر یکنواختی، شوره سیاه، قارچ، کرم خوردگی، آسیب دیدگی و پوسیدگی به درستی تشخیص داده شدند. سرعت عملکرد الگوریتم پیشنهادی با توجه به ویژگی های کم انتخاب شده بسیار بالا می باشد و برای افزایش کیفیت صادرات سیب زمینی بسیار امیدوار کننده است.

نویسندگان

محمدجواد احسنی

دانشجوی کارشناسی ارشد دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان

فرحناز مهنا

استادیار دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان

علی شکوهی رستمی

دانشجوی دکتر دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان

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 :
  • Tao, Y., Morrow, C.T., Heinemann, P.H., and Sommer H.J., 1995b. ...
  • L. Zhou, V. Chalana, and Y. Kim, 1998. PC-based machine ...
  • J.C. Noordam, G.W. Otten, A color vision system for high ...
  • Barnes, M. Duckett, T. & Cielniak, G. (2009). Boosting Minimalist ...
  • http ://x.doi.org/ 10. 1 1 09/IVCNZ. 2009.537 8372. ...
  • Navid Razmjooya, B. Somayeh Mousavi, F. Soleymani, 2012. A real-time ...
  • N. Hassankhani, Navid.H, Seyedarabi H, 2012. Potato sutrface defect detection ...
  • Mery, D., Pedreschi, F., 2005. Segmentation of colour food images ...
  • Le6n, K., Mery, D., Pedreschi, F., Le6n, J., 206. Color ...
  • Shapiro, L, Stockman, _ 2001. Computer Vision. Prentice Hall Inc., ...
  • Haralick, R.M.. 1979. Statistical and structural approaches to texture. Proceedings ...
  • Ojala, T., Pietikainen, M., Maenpaa, T., 2002. Multires olution gray-scale ...
  • Maenpaa, T., Ojala, T., Pietikainen. M., Maricor, S., USA, 200, ...
  • Kumar, A., Pang, G.K.H., 2002. Defect detection in textured materials ...
  • Ng, C.B.R., Guojun, L., Dengsheng, Z., "Performance study of gabor ...
  • Ron Kohavi, George H. John. 1997. Wrappers for feature subset ...
  • Yi Liu, Yuan F. Zheng, 2006. FS_SFS:A novel feature selection ...
  • Bishop, C., Pattern Recognition and Machine Learning, Springer, 2006. ...
  • Julian Lowe, Louise Pryor. 1996. Neural Networrks v. GLMs in ...
  • Brad Warner , Manavendra Mi STa _ Undere standing Neural ...
  • نمایش کامل مراجع