دسته‌بندی و تعیین اصالت ارقام برنج به کمک الگوریتم فاکتورگیری ماتریس غیر منفی تنک

تشخیص ارقام برنج و تعیین اصالت آن‌، یک مسئله مهم در مباحث کشاورزی مدرن و عرصه‌های علمی و تجاری مرتبط با آن می‌باشد. به کمک تکنیک‌های مختلف پردازش تصویر می‌توان به نتایج مطلوبی در زمینه تشخیص ارقام متنوع محصولات کشاورزی دست یافت. انواع ویژگی‌های مبتنی‌بر رنگ یا بافت تصویر می‌تواند در راستای دستیابی به دقت بالاتر در این حوزه مورد استفاده قرار گیرد. در این مقاله، مسئله تشخیص و تعیین اصالت ارقام برنج به کمک الگوریتم فاکتورگیری ماتریس غیرمنفی تنک مورد بررسی قرار می‌گیرد. به کمک این تکنیک، مدل‌های جامعی به کمک مجموعه قیود تنکی برای هر رقم محصول برنج آموزش داده شده و در روال دسته بندی بکار گرفته می‌شوند. به منظور دستیابی به مجموعه ویژگی‌های موثر در این روال تشخیص، انواع ویژگی‌های مبتنی‌بر رنگ و بافت مورد بررسی قرار گرفته و با توجه به ارزیابی‌های انجام شده بهترین بردار ویژگی انتخاب می‌گردد. همچنین نتایج حاصل از طبقه‌بند مبتنی‌بر یادگیری مدل پیشنهادی با نتایج بدست آمده از طبقه‌بندهای شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار می‌گیرد. نتایج شبیه‌سازی‌های به همراه تست معناداری آماری نشان می‌دهد که روش پیشنهادی مبتنی‌بر واژه‌نامه‌های حاصل از ویژگی‌های ترکیبی معرفی‌شده قادر به شناسایی نوع محصول و تعیین اصالت آن با دقت بالایی می‌باشد.

Rice Classification and Quality Detection Based on Sparse Non-Negative Matrix Factorization

Rice classification and detection of its quality as a main field in the modern agriculture is attracted many researchers in recent years. This problem is a major issue in the scientific and commercial fields associated with modern agriculture. Different processing techniques in recent years are applied to recognize various types of agricultural products. There are also several colorbased and texturebased features to achieve the desired results in this classification procedure. In this paper, the problem of rice categorization and quality detection is considered using sparse nonnegative matrix factorization algorithm. This technique includes nonnegative matrix factorization method with sparsity constraint to achieve dictionaries that represent the structural content of rice variety. Also, these dictionaries are corrected in such a way to yield the dictionaries with least coherence values to each other. The results of the proposed classifier based on the learned models are compared with the results obtained from the neural network and support vector machine classifiers. Simulation results show that the proposed method based on the combinational features is able to identify the type of rice grain and determine its quality with high accuracy rate.