توسعه یک سامانه بینایی ماشین هوشمند به منظور کیفیت‌سنجی برخط شلتوک

روش‌هایی که به طور معمول برای شناسایی شلتوک‌های ‌پوک از سالم مورد استفاده قرار می‌گیرند، اغلب زمان‌بر و هزینه‌بر هستند. به همین دلیل، در این پژوهش روشی هوشمند و سریع مبتنی بر بینایی ماشین و شبکه‌های عصبی مصنوعی به‌منظور تشخیص دانه‌‌های شلتوک پوک از سالم ارائه شد. تصاویر دیجیتالی پنج رقم شلتوک در سه وضعیت سالم، پوک و مخلوط و در دو حالت پراکنده و کپه‌ای تهیه شدند. پس از انجام پیش پردازش و قطعه‌بندی، برای هر دانه شلتوک 3 ویژگی رنگی و 5 ویژگی شکلی استخراج شد. به‌منظور تشخیص تاثیرگذارترین ویژگی‌ها در تشخیص شلتوک‌‌های سالم از پوک، روش تحلیل مولفه‌های اصلی(pca) بکار گرفته شد. سپس برای ایجاد مدل شناسایی و دسته‌بندی نمونه‌ها شبکه‌های عصبی مصنوعی پرسپترون چندلایه (mlp) بر اساس مولفه‌های اصلی که با روش pca بدست آمده بودند، مورد استفاده قرار گرفت. برای بررسی قابلیت مدلسازی و اعتبارسنجی هر الگوریتم از پارامترهای آماری میانگین مربعات خطا (mse)، ضریب همبستگی (r2)، ویژگی و حساسیت استفاده شد. نتایج نشان داد که روش هوشمند طراحی شده می‌تواند با دقت قابل قبول در تمامی ارقام (r2p>0.81, rmsep<0.219, sensitivitiy>0.8 specifisitiy>0.98) دانه‌های سالم و پوک را تشخیص دهد. بنابراین از روش بینایی ماشین در ترکیب با شبکه‌های عصبی مصنوعی می‌توان به عنوان روشی هوشنمد و سریع در ورودی کارخانه‌های سفیدکن شلتوک برای ارزیابی کیفیت شلتوک و تشخیص شلتوک‌های سالم از پوک استفاده کرد.

development of an intelligent machine vision system for the purpose of online quality measurement of rice paddy

introduction: farmers use the traditional method (unaided eye and dimensional examination of the seeds) to determine the percentage of healthy rice paddies after harvesting and drying. in recent years, however, machine vision has grown significantly and many researchers have used this system to classify and measure the quality of agricultural and food products, identify different varieties of products, determine the geographical origin of products, identify losses, estimate effective substances, and other related subjects. for example, in one study, the mixing percentage of wheat grains and the determination of grain hardness were performed with the help of machine vision (fazaeli and afkari-sayah, 2009). in order to calculate the hardness of seeds, they used the weight percentage and to measure the mixing percentage, they used the color characteristics of the samples. the classification accuracy obtained in this research was 93%. in another research, artificial neural networks (ann) and some statistical techniques were used to identify and classify 5 varieties of iranian rice (hatami et al., 2010). in their study, samples of 300 seeds were randomly selected from each cultivar, and images of the samples were captured using a digital camera. then, using the thresholding process, the images were segmented and the features of the area, length of major and minor axis, perimeter, convexity level, strength, extent, and equivalent diameter were extracted. in the created regression model, the highest detection percentage was obtained in garde and ramadani cultivars equal to 93.6 and 91.48%, respectively.according to the previous studies, it was found that determining the percentage of crop loss and the percentage of paddy harvested from the field before the bleaching stage is very important so that the percentage of paddy harvested from the field shows the yield of the crop per hectare. therefore, in the current research, an intelligent machine vision system was developed and evaluated to quickly detect and determine the percentage of healthy paddy seeds.