این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۵۲، شماره ۱، صفحات ۱۳-۲۵
عنوان فارسی پردازش تصاویر فراطیفی به منظور تشخیص آلودگی مغز پسته به دو جدایه KK۱۱ و R۵ قارچ Aspergillus flavus
چکیده فارسی مقاله فناوری­ تصویربرداری فراطیفی به عنوان روشی نوین و موثر در تشخیص آلودگی محصولات کشاورزی به کار می‌رود. این روش برای تشخیص پسته سالم و آلوده به قارچ­ Aspergillus flavus با و بدون در نظر گرفتن مراحل آلودگی، مورد استفاده قرار گرفت. جدایه‌های R5 وKK11 به ترتیب با و بدون قابلیت تولید سم آفلاتوکسین، به طور جداگانه، برای آلوده‌سازی پسته استفاده شد. از بین طول موج‌های 960 تا 1700 نانومتر، سه طول موج موثر 1090، 1280، و 1700 نانومتر با استفاده از روش تحلیل مولفه‌های اصلی انتخاب شد. پس از استخراج ویژگی­، از روش­های اعتبارسنجی K-بخشی، ماشین بردار پشتیبان، و شبکه عصبی مصنوعی برای طبقه­بندی استفاده شد. نتایج نشان داد که دقت روش اعتبارسنجی K-بخشی در طبقه‌بندی نمونه‌های پسته سالم و آلوده بدون در نظر گرفتن مراحل آلودگی و نوع جدایه (71/99 درصد) بالاتر بود. حداکثر دقت طبقه‌بندی الگوریتم‌های توسعه یافته در تشخیص نوع جدایه و مراحل آلودگی 69 تا 91 درصد به دست آمد.
کلیدواژه‌های فارسی مقاله پسته،آلودگی قارچی،مرحله آلودگی،فناوری تصویربرداری فراطیفی،پردازش تصویر،
عنوان انگلیسی Processing the Hyperspectral Images for Detecting Infection of Pistachio Kernel by R5 and KK11 Isolates of Aspergillus flavus Fungus
چکیده انگلیسی مقاله Hyperspectral imaging technique as a new and efficient method is applied for detecting infection in agricultural products. It was used for classification of healthy and infected pistachio kernels by Aspergillus flavus fungus with and without considering infection stages. Two different fungus isolates, R5 and KK11 with and without capable of producing aflatoxin, respectively, were individually used to infect the pistachio kernel samples. From 960 to 1700 nm, three effective wavelengths of 1090, 1280, and 1700 nm were selected by principle component analysis method. After feature extraction, K-fold cross validation, support vector machine, and artificial neural network methods were used for classification. The results showed that the classification accuracy of the K-fold cross validation method was higher for classifying the healthy and infected pistachios without considering the infection stages and isolate type (99.71%). The maximum accuracy of the developed algorithms in classification of isolate type and infection stage was obtained as 69-91%.
کلیدواژه‌های انگلیسی مقاله پسته,آلودگی قارچی,مرحله آلودگی,فناوری تصویربرداری فراطیفی,پردازش تصویر
نویسندگان مقاله کامران خیرعلی پور |
عضو هیئت علمی/گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران.

حجت احمدی |
عضو هیات علمی/گروه ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران

علی رجبی‌پور |
عضو هیات علمی/گروه ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.

شاهین رفیعی |
عضو هیات علمی/گروه ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.

محمد جوان نیکخواه |
عضو هیات علمی/گروه گیاه پزشکی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران.

دیگویر جایاس |
عضو هیات علمی/گروه زیست سامانه ها، دانشکده مهندسی، دانشگاه منی توبا، وینیپگ، کانادا

کالیرامش سیلیوریو |
گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه ایالتی کانزاس، منهتن، آمریکا.

علی ملیحی پور |
استادیار، بخش تحقیقات غلات، مؤسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، استان البرز، ایران

نشانی اینترنتی https://ijbse.ut.ac.ir/article_81206_097d704b071bc67ef5a17392b99e36b2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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