مروری بر تکنیک های یادگیری در بینایی کامپیوتر برای ارزیابی کیفی محصولات کشاورزی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 408

فایل این مقاله در 14 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:

NCAMEM10_219

تاریخ نمایه سازی: 6 اسفند 1395

چکیده مقاله:

در سال های اخیر، از تکنیک های یادگیری با استفاده از بینایی کامپیوتر، به طور فزاینده ای در ارزیابی کیفی غذاها و محصولات کشاورزی استفاده می شود. این مقاله،به مروری بر پیشرفت های اخیر در تکنیک های یادگیری برای بررسی کیفی محصولات کشاورزی با استفاده از بینایی کامپیوتر می پردازد که شامل شبکه عصبی مصنوعی،یادگیری آماری، منطق فازی، الگوریتم ژنتیک و درخت تصمیم می باشند. شبکه عصبی مصنوعی(ANN (و یادگیری آماری(SL (از روش های اولیه در زمینه بینایی کامپیوتر برای ارزیابی کیفی مواد غذایی هستند. بیشتر کاربردهای الگوریتم های یادگیری در بینایی کامپیوتر برای ارزیابی کیفی، طبقه بندی و پیش بینی هستند، هرچند برخی هم برای بخش بندی تصویر و انتخاب ویژگی ها هستند. در این مقاله، تکنیک های یادگیری برای بررسی کیفیت محصولات کشاورزی با استفاده از بینایی کامپیوتر شرح داده می شود.

نویسندگان

آذر خدابخشی

دانشجوی دکتری مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد

کعبه ممی زاده

کارشناس ارشد مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

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 :
  • Abdullah, M. Z. et al. 2000. Quality inspection of bakery ...
  • Blasco, J., et al .2003. Machine vision system for automatic ...
  • illustrated by beef carcass classification. Meat Science, 43(Suppl. 1), S151-S163. ...
  • Briones, V., and Aguilera, J. M. 2005. Image analysis of ...
  • Brosnan, T., and Sun, D.-W. 2004. Improving quality inspection of ...
  • Casasent, D. A., et al. 1998. Neural net classification of ...
  • Chao, K., et al. 2002. Online inspection of poultry carcasses ...
  • Chtioui, Y., et al.1998. Feature selection by a genetic algorithm, ...
  • Chtioui, Y., et al .1999. Rough sets theory as a ...
  • Chtioui, Y., et al.2003. S elf-organizing map combined with a ...
  • Diaz, R., et al.2000. The application of a fast algorithm ...
  • Du, C.-J., and Sun, D.-W. 2004. Recent developments in the ...
  • Du, C.-J., and Sun, D.-W. 2005. Pizza sauce spread classification ...
  • Ghazanfari, _ et al.1998. Machine vision grading of pistachio nuts ...
  • Guyer, D., and Yang, X. 2000. Use of genetic artificial ...
  • Hu, B. G., et al. 1998. Application of a fuzzy ...
  • Kim, S., and Schatzki, T. F. 2000. Apple watercore sorting ...
  • Li, J., et al. 1999. Image texture features as indicators ...
  • Nagata, M., and Cao, Q. 1998. Study on grade judgment ...
  • Nakano, K. 1997. Application of neural networks to the color ...
  • Nakano, K., et al. 1992. Studies on sorting systems for ...
  • Novini, A. 1990. Fundamentas of machine vision component selection. In ...
  • Shahin, M. A., et al. 1999. Watercore features for sorting ...
  • Shahin, M. A., et al. 2001. Artificial intelligence classifiers for ...
  • Shahin, M. A., et al. 2002. Apple classification based _ ...
  • Timmermans, A. J. M. 1998. Computer vision system for on-line ...
  • Yang, Q., 1993. Classification of apple surface features using machine ...
  • Ying, Y., et al. 2003. Detecting stem and shape of ...
  • Zayas, I., et al. 1990. Discrimination of whole from broken ...
  • Zhang, M.et al. 2003. Effects of different varieties and shelf ...
  • نمایش کامل مراجع