این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۵۶، شماره ۱، صفحات ۱۷-۳۳
عنوان فارسی بازشناسی انواع پسته بر پایه بینایی ماشین، فیلترهای گابور و الگوریتم وراثتی
چکیده فارسی مقاله در این پژوهش، روشی نوین و کارآمد برای بازشناسی انواع پسته با بهره‌گیری از فیلترهای گابور و الگوریتم وراثتی ارائه شده است که هدف آن افزایش سرعت و دقت در فرآیند طبقه‌بندی می‌باشد. برخلاف روش‌های پیشین که عمدتاً بر پردازش جداگانه دانه‌های منفرد پسته تکیه داشته‌اند و از این رو با وجود دقت مناسب، از نظر زمانی و محاسباتی پرهزینه بوده‌اند، روش پیشنهادی از پردازش کل‌نگر تصاویر مجموعه‌ای از پسته‌ها بهره می‌گیرد و بدین وسیله فرآیند بازشناسی را تسریع و بهینه‌سازی می‌کند. در این چارچوب، ابتدا ویژگی‌های بافتی و شکلی برجسته از تصاویر با استفاده از فیلترهای گابور استخراج می‌گردد. سپس، الگوریتم وراثتی به‌منظور انتخاب ویژگی‌های بهینه و حذف داده‌های زائد به کار گرفته می‌شود. ویژگی‌های منتخب نهایتاً به طبقه‌بند  kهمسایه نزدیک‌تر (KNN) منتقل شده تا طبقه‌بندی نهایی صورت گیرد. ارزیابی روش پیشنهادی بر روی پایگاه داده‌ای شامل 1000 زیرتصویر متعلق به پنج نوع رایج پسته (اکبری، احمدآقایی، کله‌قوچی، فندقی و بادامی) انجام شد و نتایج حاکی از نرخ طبقه‌بندی صحیح 5/99 درصد می‌باشد. در مقایسه با روش‌های یادگیری عمیق، روش پیشنهادی با وجود عدم نیاز به آموزش عمیق و منابع پردازشی سنگین، دقتی قابل رقابت با آن‌ها ارائه داده و سرعت پیاده‌سازی بسیار بالاتری دارد. این ویژگی‌ها روش پیشنهادی را به گزینه‌ای مناسب برای کاربردهای صنعتی، به‌ویژه در خطوط تولید و بسته‌بندی هوشمند پسته بدل می‌سازد و گامی مؤثر در جهت خودکارسازی فرآیندهای کشاورزی و کاهش هزینه‌های زمانی و انسانی تلقی می‌شود.
کلیدواژه‌های فارسی مقاله الگوریتم وراثتی،بازشناسی پسته،طبقه‌بندی تصویر،طبقه‌بند k همسایه نزدیک‌تر،فیلتر گابور،
عنوان انگلیسی Recognition of Pistachio Varieties Based on Machine Vision, Gabor Filters, and Genetic Algorithm
چکیده انگلیسی مقاله This study proposes an efficient and novel method for recognizing pistachio varieties by leveraging Gabor filters for feature extraction and a genetic algorithm for feature selection, aiming to enhance classification accuracy and speed. Unlike conventional approaches that focus on individual processing of pistachio kernels—which, despite high accuracy, are time-consuming and computationally demanding—the proposed method employs holistic processing of images containing multiple pistachios, thereby significantly accelerating the recognition process. Key textural and shape-based features are initially extracted using Gabor filters. Subsequently, the genetic algorithm is applied to select optimal features and reduce data redundancy. The refined feature set is then classified using the K-Nearest Neighbor (KNN) algorithm. Experiments conducted on a dataset of 1,000 sub-images covering five common pistachio types (Akbari, Ahmad Aghaei, Kaleh Ghouchi, Fandoghi, and Badami) yielded an average classification accuracy of 99.5%. In comparison with deep learning models, the proposed method demonstrates competitive performance while requiring no extensive training phase or high computational resources. This results in a faster and more resource-efficient implementation, making it particularly suitable for industrial applications, especially in automated pistachio processing and packaging systems. The proposed method contributes to the automation of agricultural workflows, reducing both processing time and labor costs, and offers a practical solution for real-time classification in resource-constrained environments.
کلیدواژه‌های انگلیسی مقاله الگوریتم وراثتی,بازشناسی پسته,طبقه‌بندی تصویر,طبقه‌بند k همسایه نزدیک‌تر,فیلتر گابور
نویسندگان مقاله اسما شمس کرمانی |
گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی سیرجان، سیرجان، ایران.

نشانی اینترنتی https://ijbse.ut.ac.ir/article_102371_a03d8d3dcf74edcf7cde815c5b372ef4.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