این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
صفحه اصلی
درباره پایگاه
فهرست سامانه ها
الزامات سامانه ها
فهرست سازمانی
تماس با ما
JCR 2016
جستجوی مقالات
جمعه 28 آذر 1404
مهندسی بیوسیستم ایران
، جلد ۵۰، شماره ۱، صفحات ۱۴۵-۱۵۴
عنوان فارسی
طبقه بندی توت فرنگی بر اساس میزان رسیدگی و اندازه به کمک ماشین بینایی
چکیده فارسی مقاله
در این پژوهش برای درجهبندی میوه توتفرنگی از لحاظ اندازه و میزان رسیدگی از بینایی ماشین و شبکه عصبی مصنوعی استفاده شد. ابتدا یک الگوریتم پردازش تصویر برای استخراج ویژگیهای رنگ و اندازه توتفرنگی توسعه داده شد و سپس درجهبندی توتفرنگی بر اساس اندازه به سه طبقه ممتاز، درجه یک و درجه دو و بر اساس میزان رسیدگی به کمک ویژگیهای رنگی به سه طبقه رسیده، نیمرس و نارس انجام شد. نتایج تحلیل حساسیت نشان داد که درجهبندی بر اساس اندازه به ویژگی قطر بزرگ، قطر کوچک، محیط و مساحت حساسیت بیشتری دارد. همچنین بر اساس همبستگی بین میزان مواد جامد محلول و رنگ محصول، a* و S از میان بقیه ویژگیهای رنگی برای درجهبندی بر اساس میزان رسیدگی انتخاب شدند. در نهایت نتایج نشان داد که شبکه عصبی مصنوعی قادر است با دقت کلی 04/94 و 14/95 به ترتیب درجهبندی بر اساس اندازه و میزان رسیدگی را انجام دهد.
کلیدواژههای فارسی مقاله
عنوان انگلیسی
Classification of Strawberry Based on Maturity Rate and Size Using Machine Vision
چکیده انگلیسی مقاله
In this article a machine vision system and an artificial neural network (ANN) for classifying the strawberry based on maturity and shape features were used. First an image processing algorithm for extracting the color and shape features was investigated and then for grading the strawberry into three classes based on shape features and three classes of maturity based on colors features were done. The sensitivity analysis indicated that shape grading had highest sensitive to area, parameter, large and minor diameters features. Also a* and S color features had better correlation coefficient than other color features with total solid soluble and therefore were selected as supreme features for grading the strawberry based on maturity. Finally, results demonstrated that the ANN was able to classify with 94.04 and 95.14 total accuracy rate for shape and maturity grading.
کلیدواژههای انگلیسی مقاله
نویسندگان مقاله
جلال خدائی |
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
ناصر بهروزی خزاعی |
گروه مهندسی بیوسیستم ، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
امین حسین زاده رندی |
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
نشانی اینترنتی
https://ijbse.ut.ac.ir/article_71489_da79dc5e7c17762c8a6cfc776b0325cb.pdf
فایل مقاله
اشکال در دسترسی به فایل - ./files/site1/rds_journals/1228/article-1228-1610121.pdf
کد مقاله (doi)
زبان مقاله منتشر شده
fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به:
صفحه اول پایگاه
|
نسخه مرتبط
|
نشریه مرتبط
|
فهرست نشریات