پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,918,057 |
| تعداد دریافت فایل اصل مقاله | 89,596,847 |
شناسایی برگِ ارقام سیب با تکنیک پردازش تصویر و سیستم استنتاج عصبی‌ـ‌فازی تطبیقی | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 9، دوره 46، شماره 1، فروردین 1394، صفحه 67-75 اصل مقاله (1.37 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2015.54338 | ||
| نویسندگان | ||
| الهام عمرانی1؛ سید سعید محتسبی* 2؛ شاهین رفیعی2؛ سلیمان حسین پور3 | ||
| 1کارشناس ارشد بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 2استاد گروه بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 3استادیار بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
| چکیده | ||
| در کشاورزی مدرن امروز، از پردازش تصویر برای مکانیزه و جایگزین‌کردن ماشین‌های هوشمند به‌جای انسان استفاده شده است. یکی از آن موارد شناسایی ارقام گوناگون گیاهان است. شناسایی ارقام گوناگون، در برنامۀ به‌نژادی گیاهان اهمیت بالایی دارد. روش معمول برای انجام این عمل، بررسی چشمی برگها و میوههای گیاهان است که این عمل به‌دلیل وقت‌گیربودن مقرون به‌صرفه نیست. شناسایی نمونه‌ها و طبقه‌بندی آن‌ها با روش ماشین بینایی میتواند سریعتر انجام گردد. در این تحقیق چهار رقم گرانیاسمیت، گلاب کهنز، گالا، و دلبار استیوال مطالعه شدند. در ابتدا نمونه‌های برگ جمع‌آوری و از نمونه‌ها تصویربرداری شد و پس از پردازش تصاویر با الگوریتم نوشته‌شده در نرم‌افزار مت‌لب، ویژگیهای مورفولوژیک، رنگ، و بافت برای هر یک از تصاویر محاسبه شد و سپس از سیستم استنتاج عصبی‌ـ‌فازی تطبیقی (Adaptive neuro- fuzzy inference system) برای طبقه‌بندی نمونه‌ها استفاده شد. نتایج نشان داد که بهترین سیستم استنتاجی با توابع عضویت ورودی و خروجی به‌ترتیب خطی و مثلثی و روش آموزش مرکب در حالت دستهبندی شبکهای سیستم استنتاج فازی، بالاترین دقت را داشت و دقت این روش برای داده‌های طبقه‌بندی آزمایشی 83/95درصد گزارش شد. | ||
| کلیدواژه‌ها | ||
| تشخیص ارقام سیب؛ تحلیل بافت تصویر؛ دسته بندی شبکهای؛ ماشین بینایی | ||
| عنوان مقاله [English] | ||
| Identification of apple leaf varieties using image processing and adaptive neuro- fuzzy inference system | ||
| نویسندگان [English] | ||
| Elham Omrani1؛ Seyed Saeid Mohtasebi2؛ Shahin Rafiee2؛ Soleiman Hosseinpour3 | ||
| 1graguated of Biosystem Engineering, University College of Agriculture and Natural Resources, University Of Tehran | ||
| 2professor of Biosystem Engineering, University College of Agriculture and Natural Resources, University Of Tehran, | ||
| 3Assistant of Biosystem Engineering, University College of Agriculture and Natural Resources, University Of Tehran | ||
| چکیده [English] | ||
| In modern agriculture, image processing technique is used for mechanization and intelligent machines instead of humans. One of them is identifying varieties of plants and fruits. Identifying plant varieties is important in Plant eugenic programs. Visual examination of plant leaves and fruits are the common processes for this aim. Identification and classification of plants using machine vision techniques can be performed more quickly. In this study, four varieties of apple, Granny Smith, Golab Kohans, Gala, and Delbar-astyval were studied. After collecting leaf samples, the images of leaves were captured and then color, texture, and morphological properties from each image were extracted and adaptive neuro - fuzzy inference system (Anfis) was used for classification. The results showed that ANFIS was able to successfully classify leaves with input and output membership functions, respectively, linear and triangular and hybrid learning method in grid partitioning FIS mood with 95.83% accuracy. | ||
| کلیدواژه‌ها [English] | ||
| detection of apple varieties, Machine Vision, texture analysis of image, grid partition | ||
| مراجع | ||
|
Chen, Y.-R., Chao, K., and Kim, M. S. (2002). Machine Vision Technology For Agricultural Applications. Computers and Electronics In Agriculture 36(2): 173-191. Dowlati, M., Mohtasebi, S. S., Omid, M., Razavi, S. H., Jamzad, M. & De La Guardia, M. (2013). Freshness Assessment of Gilthead Sea Bream (Sparus Aurata) by Machine Vision Based on Gill And Eye Color Changes. Journal of Food Engineering 119(2): 277-287. Gonzalez, R. C., Woods, R. E. and Eddins, S. L. (2009). Digital Image Processing Using MATLAB. Jang, J. S. (1993). ANFIS: Adaptive-Network-Based Fuzzy Inference System. Systems, Man and Cybernetics, IEEE Transactions On 23(3): 665-685. Keshavarzmehr, M. (2011). Neural Networks, Fuzzy Logic and Genetic Algorithms, Tehran (In Farsi). Kolyayee, R., Khabbaz, H., Kamali, H., (2001). Guide to Pests, Diseases and Weeds, Tehran (In Farsi). Neethirajan, S. & Karunakaran, C. (2006). Classification of Vitreousness In Durum Wheat Using Soft X-Rays and Transmitted Light Images. Computers and Electronics in Agriculture 53: 71–78. Mahmoudi, M., Khazaei, J., Vahdati, K., Taleb, M. (2010). Walnut Genotype Detection Using Machine Vision Technique, the 5th National Congress of Agricultural Machinery And Mechanization, Mashhad (In Farsi). Mehl, P. M., Chen, Y. R., Kim, M. S. And Chan, D. E. (2004). Development of Hyperspectral Imaging Technique For The Detection of Apple Surface Defects And Contaminations. Journal of Food Engineering 61(1): 67-81. Mollazade, K., Omid, M. and Arefi, A. (2012). Comparing Data Mining Classifiers For Grading Raisins Based on Visual Features. Computers And Electronics In Agriculture 84(0): 124-131. Xing, J., Saeys, W. and De Baerdemaeker, J. (2007). Combination of Chemometric Tools And Image Processing For Bruise Detection on Apples. Computers And Electronics In Agriculture 56(1): 1-13. Tsheko, R.,( 2007). Discrimination of Plant Species Using Co-occurrence Matrix of Leaves. 12. Zhao-Yan, L. and C. Fang, (2005) Identification of Rice Seed Varieties Using Neural Network. Journal of Zhejiang University Science, 6. | ||
|
آمار تعداد مشاهده مقاله: 2,121 تعداد دریافت فایل اصل مقاله: 3,087 |
||