Page 1 1 @ @ ( ) @ > > 2 3 > 1394 - > > @ @ @ > @ @ @ 1 > < 2 ...

3 downloads 9 Views 940KB Size Report
classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system. Journal of. Food Engineering. Vol 76(4), 506–523. 2. Asada ...

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه و ﻃﺒﻘﻪﺑﻨﺪي ﻛﻴﻔﻲ آﻧﻬﺎ ﺑﺎ ﺗﻠﻔﻴﻖ ﺗﻜﻨﻴﻚﻫﺎي ﭘﺮدازش‬ ‫ﺗﺼﻮﻳﺮ و ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ‬ ‫ﻧﻴﻤﺎ ﺗﻴﻤﻮري‪ ،1‬ﻣﺤﻤﻮد اﻣﻴﺪ‪ ،*2‬ﻛﺎوه ﻣﻼزاده‪ ،3‬ﻋﻠﻲ‬

‫رﺟﺒﻲﭘﻮر‪2‬‬

‫‪ -1‬داﻧﺸﺠﻮي دﻛﺘﺮي ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‪ ،‬داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ -2‬اﺳﺘﺎد ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‪ ،‬داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ -3‬اﺳﺘﺎدﻳﺎر ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ‪ ،‬داﻧﺸﮕﺎه ﻛﺮدﺳﺘﺎن‬ ‫اﻳﻤﻴﻞ ﻣﻜﺎﺗﺒﻪ ﻛﻨﻨﺪه‪[email protected] :‬‬

‫ﭼﻜﻴﺪه‪:‬‬ ‫ارزﻳﺎﺑﻲ ﻛﻴﻔﻲ ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي ﻳﻜﻲ از ﻓﺎﻛﺘﻮرﻫﺎي ﺑﺴﻴﺎر ﻣﻬﻢ در ارﺗﻘﺎي ﻛﻴﻔﻴﺖ آنﻫﺎ ﻣﻲﺑﺎﺷﺪ‪ .‬در اﻳﻦ ﺗﺤﻘﻴﻖ‬ ‫روﺷﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﺮﻛﻴﺐ ﭘﺮدازش ﺗﺼﻮﻳﺮ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫ﻛﻪ ﺑﺎ وﺿﻌﻴﺖﻫﺎي ﻣﺨﺘﻠﻒ ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﺪهاﻧﺪ ﻳﻜﻲ از ﺟﻨﺒﻪﻫﺎي ﻣﻬﻢ در ﻃﺮاﺣﻲ دﺳﺘﮕﺎهﻫﺎي درﺟﻪﺑﻨﺪي ﺑﺎدام ﻣﻲ‪-‬‬ ‫ﺑﺎﺷﻨﺪ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس‪ ،‬اﻟﮕﻮرﻳﺘﻤﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻜﻨﻴﻚ ﭘﺮدازش ﺗﺼﻮﻳﺮ ﺑﺮاي اﺳﺘﺨﺮاج ﻧﻘﺎط ﺑﺤﺮاﻧﻲ و رﺳﻢ ﺧﻄﻮط ﺟﺪاﺳﺎزي‬ ‫ﺑﻪ ﺷﻜﻠﻲ ﺻﺤﻴﺢ ﺑﻴﻦ آنﻫﺎ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد ﻛﻪ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ دﻗﺖ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ‬ ‫ﭼﺴﺒﻴﺪه را ﺟﺪاﺳﺎزي ﻛﺮد‪ .‬در ﮔﺎم ﺑﻌﺪ ﺑﻪ ﺗﺮﺗﻴﺐ ‪ 36 ،6‬و ‪ 36‬وﻳﮋﮔﻲ ﻣﺮﺗﺒﻂ ﺑﺎ ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ از ﺑﺎدام اﺳﺘﺨﺮاج و‬ ‫از روش ‪ PCA‬ﺑﺮاي ﻛﺎﻫﺶ ﺗﻌﺪاد اﻳﻦ وﻳﮋﮔﻲﻫﺎي اﺳﺘﻔﺎده ﺷﺪ‪ .‬ﺳﺮاﻧﺠﺎم‪ ،‬ﺑﻪ ﻣﻨﻈﻮر ﻃﺒﻘﻪﺑﻨﺪي ﭼﻬﺎر ﻛﻼس ﺑﺎدام از روش‬ ‫ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﺑﺎ ﺳﺎﺧﺘﺎر ‪ 18-7-7-4‬و ﻣﻴﺎﻧﮕﻴﻦ دﻗﺖ ﻛﻞ ‪ 96/92‬درﺻﺪ اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪.‬‬

‫واژهﻫﺎي ﻛﻠﻴﺪي‪ :‬ﺟﺪاﺳﺎزي ﺑﺎدام‪ ،‬ﻃﺒﻘﻪﺑﻨﺪي ﻛﻴﻔﻲ‪ ،‬ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ‪ ،‬وﻳﮋﮔﻲﻫﺎي رﻧﮓ‪ ،‬وﻳﮋﮔﻲﻫﺎي ﺑﺎﻓﺖ‬

‫ﻣﻘﺪﻣﻪ‬ ‫ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫در ﺳﺎلﻫﺎي اﺧﻴﺮ ﺗﻮﺟﻪ ﺑﻪ ﺗﻜﻨﻴﻚﻫﺎي ﻏﻴﺮﻣﺨﺮب و ﻧﻮﻳﻦ ﺟﻬﺖ درﺟﻪﺑﻨﺪي ﻛﻴﻔﻲ ﻣﺤﺼﻮﻻت ﮔﻮﻧﺎﮔﻮن ﺧﺸﻜﺒﺎر و‬ ‫ﻏﻼت اﻓﺰاﻳﺶ ﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬ﻳﻜﻲ از اﻳﻦ ﺗﻜﻨﻴﻚﻫﺎ‪ ،‬ﻓﻨﺎوري ﺑﻴﻨﺎﻳﻲ ﻣﺎﺷﻴﻦ ﺑﻮده ﻛﻪ ﺑﻪ ﻃﻮر وﺳﻴﻌﻲ در زﻣﻴﻨﻪﻫﺎي ﻣﺨﺘﻠﻒ‬

‫‪1‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻛﺸﺎورزي ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬از ﻣﺰاﻳﺎي اﻳﻦ ﻓﻨﺎوري ﻧﺴﺒﺖ ﺑﻪ روشﻫﺎي ﺳﻨﺘﻲ‪ ،‬ﻏﻴﺮﻣﺨﺮب ﺑﻮدن‪ ،‬ﻫﺰﻳﻨﻪ ﻛﻤﺘﺮ‪ ،‬دﻗﺖ‬ ‫ﺑﺎﻻﺗﺮ و ﻧﻴﺎز ﻛﻤﺘﺮ ﺑﻪ ﻧﻴﺮوي اﻧﺴﺎﻧﻲ ﻣﺘﺨﺼﺺ ﻣﻲﺑﺎﺷﺪ‪ .‬اﻫﺪاف ﺧﺎﺻﻲ ﻛﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻓﻨﺎوري ﺑﻴﻨﺎﻳﻲ ﻣﺎﺷﻴﻦ ﻣﻮرد ﺗﻮﺟﻪ‬ ‫ﻗﺮار ﻣﻲﮔﻴﺮد؛ ﺗﺸﺨﻴﺺ ﻋﻴﻮب ﻇﺎﻫﺮي ﻣﺤﺼﻮﻻت )‪ ،(Riquelme et al., 2008‬درﺟﻪﺑﻨﺪي و ﺟﺪاﺳﺎزي ﻛﻴﻔﻲ ﻣﺤﺼﻮﻻت‬ ‫)‪ (Leemans & Destain, 2004‬و ﻃﺒﻘﻪﺑﻨﺪي ﻣﺤﺼﻮﻻت از ﻟﺤﺎظ ﺷﻜﻞ و اﻧﺪازه آنﻫﺎ ﻣﻲﺑﺎﺷﺪ )‪.(Abdullah et al., 2006‬‬ ‫اﻣﺮوزه ﺗﺮﻛﻴﺐ ﻓﻨﺎوري ﺑﻴﻨﺎﻳﻲ ﻣﺎﺷﻴﻦ و ﺗﻜﻨﻴﻚ ﭘﺮدازش ﺗﺼﻮﻳﺮ ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﺑﻪ ﻃﻮر ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰي در ﻣﺎﺷﻴﻦﻫﺎي‬ ‫درﺟﻪﺑﻨﺪي ﻛﻴﻔﻲ ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي اﺳﺘﻔﺎده ﺷﻮد‪ .‬ﺗﻜﻨﻴﻚﻫﺎي ﭘﺮدازش ﺗﺼﻮﻳﺮ از ﻧﻈﺮ ﺳﻄﺢ ﭘﻴﭽﻴﺪﮔﻲ داراي ﻣﺮاﺣﻞ‬ ‫ﻣﺨﺘﻠﻔﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ آنﻫﺎ ﻗﻄﻌﻪﺑﻨﺪي ﺗﺼﻮﻳﺮ اﺳﺖ‪ .‬ﭘﺲ از اﻳﻨﻜﻪ ﺗﺼﺎوﻳﺮ ﻗﻄﻌﻪﺑﻨﺪي ﺷﺪﻧﺪ‪ ،‬ﺑﺮدار وﻳﮋﮔﻲ‪-‬‬ ‫ﻫﺎ از ﺗﻚﺗﻚ اﺷﻴﺎ )ﻣﺤﺼﻮل ﻛﺸﺎورزي( اﺳﺘﺨﺮاج ﻣﻲﮔﺮدد‪ .‬اﻣﺎ در ﺑﻌﻀﻲ ﻣﻮارد‪ ،‬اﮔﺮ ﻣﺮز ﭘﻴﺮاﻣﻮﻧﻲ اﺷﻴﺎ در ﺗﺼﺎوﻳﺮ‬ ‫ﺑﺎﻳﻨﺮي ﺑﻪ ﻫﻤﺪﻳﮕﺮ ﻣﺘﺼﻞ ﺑﺎﺷﻨﺪ؛ ﺑﺎﻳﺴﺘﻲ ﻗﺒﻞ از ﻣﺮﺣﻠﻪ اﺳﺘﺨﺮاج وﻳﮋﮔﻲ‪ ،‬اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه را از ﻫﻢ ﺟﺪا ﻛﺮد‪ .‬اﻳﻦ‬ ‫ﺟﺪاﺳﺎزي ﻣﻲﺗﻮاﻧﺪ ﺑﻪ روش ﻣﻜﺎﻧﻴﻜﻲ و ﻳﺎ ﻏﻴﺮﻣﻜﺎﻧﻴﻜﻲ اﻧﺠﺎم ﮔﻴﺮد )‪ .(Pearson, 1996‬ﺑﻪ ﻃﻮر ﻣﺜﺎل در ﺑﻌﻀﻲ از دﺳﺘﮕﺎه‪-‬‬ ‫ﻫﺎي ﺳﻮرﺗﺮ ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي‪ ،‬ﻧﻤﻮﻧﻪﻫﺎ ﻗﺒﻞ از ﺗﺼﻮﻳﺮﺑﺮداري ﺑﻪ وﺳﻴﻠﻪ دورﺑﻴﻦ‪ ،‬ﺗﻮﺳﻂ ﺑﺎزوﻫﺎي ﻣﻜﺎﻧﻴﻜﻲ از ﻫﻢ‬ ‫ﺟﺪا ﻣﻲﮔﺮدﻧﺪ‪ .‬اﻟﺒﺘﻪ اﻳﻦ روش ﻫﻤﻴﺸﻪ ﻣﻮﻓﻘﻴﺖآﻣﻴﺰ ﻧﺒﻮده و در ﻣﻮاردي اﺷﻴﺎ ﺑﻪ ﻃﻮر ﻛﺎﻣﻞ از ﻫﻢ ﺟﺪا ﻧﺨﻮاﻫﻨﺪ ﺷﺪ و‬ ‫ﻋﻤﻠﻜﺮد اﻟﮕﻮرﻳﺘﻢﻫﺎي ﻃﺒﻘﻪﺑﻨﺪي ﻣﺤﺼﻮﻻت ﺑﺎ ﺷﻜﺴﺖ ﻣﻮاﺟﻪ ﻣﻲﮔﺮدﻧﺪ‪ .‬در روش ﻏﻴﺮﻣﻜﺎﻧﻴﻜﻲ‪ ،‬اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢﻫﺎي ﻣﺨﺘﻠﻔﻲ ﻛﻪ در اﻳﻦ زﻣﻴﻨﻪ ﺗﻮﺳﻌﻪ داده ﺷﺪهاﻧﺪ‪ ،‬ﺟﺪاﺳﺎزي ﻣﻲﺷﻮﻧﺪ‪ .‬زﻣﺎﻧﻴﻜﻪ اﺷﻴﺎ ﺑﻪ ﻫﻢ اﺗﺼﺎل دارﻧﺪ‪،‬‬ ‫اﻳﻦ اﺗﺼﺎل ﻣﻲﺗﻮاﻧﺪ ﺑﺎ ﺗﻌﺪاد ﻣﺘﻔﺎوت ﺷﻲ و ﺟﻬﺖﮔﻴﺮيﻫﺎي ﮔﻮﻧﺎﮔﻮن رخ دﻫﺪ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ دﻗﺖ ﺟﺪاﺳﺎزي ﺑﻪ ﺷﺪت ﺗﺤﺖ‬ ‫ﺗﺎﺛﻴﺮ ﻧﺤﻮه ﭼﺴﺒﻴﺪﮔﻲ اﺷﻴﺎ ﺑﻪ ﻫﻢ در ﺗﺼﺎوﻳﺮ ﺑﺎﻳﻨﺮي ﻣﻲﺑﺎﺷﺪ‪ .‬در اﻳﻦ زﻣﻴﻨﻪ ﻣﻄﺎﻟﻌﺎت ﻣﺨﺘﻠﻔﻲ اﻧﺠﺎم ﺷﺪه و اﻟﮕﻮرﻳﺘﻢﻫﺎي‬ ‫ﻣﺘﻔﺎوﺗﻲ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ ﻛﻪ در اداﻣﻪ ﺧﻼﺻﻪاي از آنﻫﺎ ذﻛﺮ ﺷﺪه اﺳﺖ‪.‬‬ ‫روشﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي ﺟﺪاﺳﺎزي اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه در ﻣﻘﺎﻻت ﮔﺰارش ﺷﺪه اﺳﺖ‪ .‬روشﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﻮرﻓﻮﻟﻮژي‬ ‫ﺑﺮاي ﺟﺪاﺳﺎزي اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه )‪(Shatadal et al.,1995‬؛ اﻟﮕﻮرﻳﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﻴﺰان ﺗﺤﺪب )‪ (Qian et al., 2004‬و‬ ‫ﺗﻜﻨﻴﻚ ﻣﺒﺘﻨﻲ ﺑﺮ ﺑﺮازش ﺑﻴﻀﻲ )‪ .(Zhang et al., 2005‬ﻫﺮ ﻛﺪام از اﻳﻦ روشﻫﺎ ﺑﺮاي ﺟﺪاﺳﺎزي ﻧﻮاﺣﻲ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫داراي ﻣﺰاﻳﺎ و ﻣﻌﺎﻳﺒﻲ ﻫﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻃﻮر ﻣﺜﺎل ﻳﻜﻲ از ﻣﺰاﻳﺎي اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚﻫﺎي ﻣﻮرﻓﻮﻟﻮژي‪ ،‬ﺳﺎده ﺑﻮدن اﻟﮕﻮرﻳﺘﻢ آن‬ ‫ﻣﻲﺑﺎﺷﺪ؛ در اﻳﻦ روش اﺑﺘﺪا اﺷﻴﺎ ﺗﻮﺳﻂ ﻋﻤﻠﮕﺮ ﺳﺎﻳﺶ )‪ (Erode‬از ﻳﻜﺪﻳﮕﺮ ﺟﺪا ﺷﺪه و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮ اﺗﺴﺎع‬ ‫)‪ (Dilate‬ﺑﺪون اﻳﻨﻜﻪ ﻣﺮزﻫﺎﻳﺸﺎن دوﺑﺎره ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﻮد ﺑﻪ اﻧﺪازه اوﻟﻴﻪ ﺑﺎز ﻣﻲﮔﺮدﻧﺪ )‪ .(Shatadal et al.,1995‬ﻳﻜﻲ از‬ ‫ﺿﻌﻒﻫﺎي اﺻﻠﻲ اﻳﻦ ﺗﻜﻨﻴﻚ ﻧﺎﺗﻮاﻧﻲ آن در ﺟﺪاﺳﺎزي اﺷﻴﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﺷﻜﻞ زﻧﺠﻴﺮي ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﺪهاﻧﺪ‪ .‬روش‬ ‫ﺑﺮازش ﺑﻴﻀﻲ ﻳﻜﻲ دﻳﮕﺮ از روشﻫﺎ ﺑﺮاي ﺟﺪاﺳﺎزي اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه ﻣﻲﺑﺎﺷﺪ‪ .‬در اﻳﻦ روش اﺑﺘﺪا ﻧﻮاﺣﻲ ﭘﻴﺮاﻣﻮﻧﻲ‬ ‫اﺷﻴﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮﻫﺎي ﻟﺒﻪﻳﺎب ﻣﺎﻧﻨﺪ ﺳﻮﺑﻞ )‪ (Sobel‬اﺳﺘﺨﺮاج ﻣﻲﮔﺮدﻧﺪ‪ .‬ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺠﻤﻮﻋﻪاي از ﻧﻘﺎط‬ ‫ﻣﺮزي‪ ،‬ﺗﻮاﺑﻌﻲ ﺑﻪ ﺷﻜﻞ ﺑﻴﻀﻲ ﺑﺮ آنﻫﺎ ﺑﺮازش ﻣﻲﺷﻮﻧﺪ‪ .‬ﭘﺲ از اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐﺗﺮﻳﻦ ﺷﻜﻞ ﺑﻴﻀﻲ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮ‬ ‫اﺗﺴﺎع ﻧﻮاﺣﻲ ﺑﻴﻀﻲ ﺷﻜﻞ ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ و ﺑﺎ ﻛﻤﻚ ﻋﻤﻠﮕﺮ‬

‫رﻳﺎﺿﻲ‪AND‬‬

‫ﻧﻮاﺣﻲ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه اﺷﻴﺎ از ﻳﻜﺪﻳﮕﺮ ﺟﺪا‬

‫ﻣﻲﮔﺮدﻧﺪ )‪ .(Zhang et al., 2005‬از ﺿﻌﻒﻫﺎي اﻳﻦ روش‪ ،‬زﻣﺎنﺑﺮ ﺑﻮدن اﻟﮕﻮرﻳﺘﻢ ﻣﻲﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺗﻨﻬﺎ‬

‫‪2‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﺗﺼﺎوﻳﺮ ﺷﺎﻣﻞ دو ﻳﺎ ﺳﻪ ﺷﻲ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه را ﺟﺪاﺳﺎزي ﻧﻤﺎﻳﺪ و اﮔﺮ ﺗﻌﺪاد اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه ﺑﻴﺸﺘﺮ از‬ ‫ﺳﻪ ﺑﺎﺷﻨﺪ ﻋﻤﻠﻜﺮد آن ﺑﻪ ﺷﺪت ﻛﺎﻫﺶ ﻣﻲﻳﺎﺑﺪ )‪.(Mebatsion &Paliwal, 2001‬‬ ‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ ﺑﺮوي ﻣﺤﺼﻮل ﺑﺎدام ﻫﻴﭻ ﺗﺤﻘﻴﻖ ﺟﺎﻣﻌﻲ در ﺟﻬﺖ ﺟﺪاﺳﺎزي ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ آن از ﻳﻜﺪﻳﮕﺮ اﻧﺠﺎم‬ ‫ﻧﮕﺮﻓﺘﻪ اﺳﺖ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ در اﻳﻦ ﺗﺤﻘﻴﻖ ﻫﺪف اراﺋﻪ اﻟﮕﻮرﻳﺘﻤﻲ ﻧﺴﺒﺘﺎ ﺳﺎده و ﻗﺪرﺗﻤﻨﺪ اﺳﺖ ﺗﺎ ﺑﺘﻮاﻧﺪ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ‬ ‫ﺑﺎدام را ﻛﻪ ﺑﺎ ﻣﻮﻗﻌﻴﺖﻫﺎي ﮔﻮﻧﺎﮔﻮن ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﭼﺴﺒﻴﺪهاﻧﺪ‪ ،‬ﺟﺪاﺳﺎزي ﻧﻤﺎﻳﺪ و آنﻫﺎ را در ﻛﻼسﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﺧﻮد‬ ‫ﻗﺮار دﻫﺪ‪.‬‬ ‫ﻃﺒﻘﻪﺑﻨﺪي ﻛﻴﻔﻲ ﺑﺎدام‬ ‫ﺑﺎدام ﻳﻜﻲ از ﻣﺤﺼﻮﻻت ﻣﻬﻢ ﺻﺎدراﺗﻲ در اﻳﺮان ﺑﻮده و ﺑﺮ ﻃﺒﻖ آﻣﺎر ﻓﺎﺋﻮ در ﺳﺎل ‪ 2011‬اﻳﺮان رﺗﺒﻪ ﺳﻮم ﺗﻮﻟﻴﺪ ﺟﻬﺎﻧﻲ اﻳﻦ‬ ‫ﻣﺤﺼﻮل را دارا ﻣﻲﺑﺎﺷﺪ )‪ .(FAO, 2011‬ﻳﻜﻲ از ﻣﺸﻜﻼت ﻣﻬﻢ در ﺻﺎدرات اﻳﻦ ﻣﺤﺼﻮل‪ ،‬ﻋﺪم ﺗﻮﺟﻪ ﺑﻪ ﻛﻴﻔﻴﺖ ﻣﺤﺼﻮل‬ ‫ﺻﺎدراﺗﻲ و در ﺣﻘﻴﻘﺖ ﺻﺎدرات ﻓﻠﻪاي آن ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻫﺮ ﻧﻮع ﻋﻤﻠﻴﺎﺗﻲ از ﺟﻤﻠﻪ درﺟﻪﺑﻨﺪي و ﺟﺪاﺳﺎزي ﻛﻴﻔﻲ اﻳﻦ‬ ‫ﻣﺤﺼﻮل ﺑﺴﻴﺎر ﺣﺎﺋﺰ اﻫﻤﻴﺖ اﺳﺖ‪ .‬اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚ ﻣﺎﺷﻴﻦﺑﻴﻨﺎﻳﻲ و ﻫﻮش ﻣﺤﺎﺳﺒﺎﺗﻲ ﺟﻬﺖ ﻛﻴﻔﻴﺖﺳﻨﺠﻲ ﻣﺤﺼﻮﻻت‬ ‫ﻛﺸﺎورزي در ﺳﺎلﻫﺎي اﺧﻴﺮ ﺑﺴﻴﺎر ﮔﺴﺘﺮش و ﻣﻘﺒﻮﻟﻴﺖ ﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬در ﭘﮋوﻫﺶﻫﺎي ﻣﺘﻌﺪدي از اﻳﻦ دو روش ﺑﺮاي‬ ‫ﺑﺮرﺳﻲ ﻛﻴﻔﻴﺖ ﻣﺤﺼﻮﻻت و درﺟﻪﺑﻨﺪي آنﻫﺎ اﺳﺘﻔﺎده ﮔﺮدﻳﺪه اﺳﺖ‪.‬‬ ‫در اداﻣﻪ ﻣﺜﺎلﻫﺎﻳﻲ از اﻳﻦ ﻣﻄﺎﻟﻌﺎت ذﻛﺮ ﮔﺮدﻳﺪه اﺳﺖ‪ .‬ﺑﻪ ﻣﻨﻈﻮر ﻃﺒﻘﻪﺑﻨﺪي ﻣﺤﺼﻮل ﻛﺸﻤﺶ اﻟﮕﻮرﻳﺘﻤﻲ ﻣﺒﺘﻨﻲ ﺑﺮ‬ ‫ﭘﺮدازش ﺗﺼﻮﻳﺮ و روشﻫﺎي ﻫﻮﺷﻤﻨﺪ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ ﻛﻪ در آن ﻣﺤﺼﻮل ﻛﺸﻤﺶ ﺑﻪ ﭼﻬﺎر ﻛﻼس ﻣﺨﺘﻠﻒ ﺳﺒﺰ رﻧﮓ‬ ‫ﺑﺪون دم‪ ،‬ﺳﻴﺎه رﻧﮓ ﺑﺪون دم‪ ،‬ﺳﺒﺰ رﻧﮓ ﺑﺎ دم و ﺳﻴﺎه رﻧﮓ ﺑﺎ دم دﺳﺘﻪﺑﻨﺪي ﺷﺪه اﺳﺖ‪ .‬ﭘﺲ از ﻗﻄﻌﻪﺑﻨﺪي ﺗﺼﺎوﻳﺮ ﮔﺮﻓﺘﻪ‬ ‫ﺷﺪه از ﻣﺤﺼﻮل ﺑﻪ روش اﺗﺴﻮ )‪ ،(Otsu, 1979‬وﻳﮋﮔﻲﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ﺷﻜﻞ و رﻧﮓ ﻛﺸﻤﺶ اﺳﺘﺨﺮاج ﮔﺮدﻳﺪ‪ .‬در ﮔﺎم ﺑﻌﺪ‬ ‫وﻳﮋﮔﻲﻫﺎي ﺑﺮﺗﺮ ﺑﺎ اﺳﺘﻔﺎده از روش ‪ ،CFS1‬ﻛﻪ ﺑﺮ ﻣﺒﻨﺎي ﻣﻴﺰان ﻫﻤﺒﺴﺘﮕﻲ وﻳﮋﮔﻲﻫﺎي اﺳﺘﺨﺮاﺟﻲ ﻋﻤﻞ ﻣﻲﻧﻤﺎﻳﺪ‪ ،‬اﻧﺘﺨﺎب‬ ‫ﺷﺪ و ﺗﻮﺳﻂ روشﻫﺎي ﻣﺨﺘﻠﻒ ﻣﺪلﺳﺎزي ﻧﻈﻴﺮ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ )‪ ،(ANN‬ﻣﺎﺷﻴﻦ ﺑﺮدار ﭘﺸﺘﻴﺒﺎن )‪ (SVM‬و درﺧﺖ‬ ‫ﺗﺼﻤﻴﻢ )‪ (DT‬ﻣﺤﺼﻮل ﺑﻪ ﭼﻬﺎر ﻛﻼس )ﺳﺒﺰ رﻧﮓ ﺑﺪون دم‪ ،‬ﺳﻴﺎه رﻧﮓ ﺑﺪون دم‪ ،‬ﺳﺒﺰ رﻧﮓ ﺑﺎ دم و ﺳﻴﺎه رﻧﮓ ﺑﺎ دم(‬ ‫ﻃﺒﻘﻪﺑﻨﺪي ﮔﺮدﻳﺪ‪ .‬ﻧﺘﺎﻳﺞ ﻧﺸﺎندﻫﻨﺪه ﻣﻨﺎﺳﺐ ﺑﻮدن روش ‪ ANN‬ﺑﺎ دﻗﺖ ﻛﻞ ‪ 96/33‬درﺻﺪ ﺑﻮده اﺳﺖ‬

‫) ‪Mollazade et al.,‬‬

‫‪ .(2012‬ﻫﻤﭽﻨﻴﻦ در ﻣﻄﺎﻟﻌﻪاي ﺑﺮروي ﻣﺤﺼﻮل ﺑﺎدام ﺟﻬﺖ ﻃﺒﻘﻪﺑﻨﺪي آن از ﻧﻈﺮ اﻧﺪازه ﺑﻪ ﺳﻪ ﻛﻼس ﺑﺰرگ‪ ،‬ﻣﺘﻮﺳﻂ و‬ ‫ﻛﻮﭼﻚ از ﺗﻜﻨﻴﻚ ﭘﺮدازش ﺗﺼﻮﻳﺮ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪ .‬ﭘﺲ از ﻗﻄﻌﻪﺑﻨﺪي ﺗﺼﺎوﻳﺮ‪ ،‬ﺳﻄﺢ ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ ﺑﺎدام اﺳﺘﺨﺮاج‬ ‫ﮔﺮدﻳﺪ‪ ،‬ﺳﭙﺲ از روي ﻣﺴﺎﺣﺖ ﻫﺮ ﺑﺎدام و وزن ﻣﺮﺑﻮط ﺑﻪ آن ﻛﻪ ﺗﻮﺳﻂ ﺗﺮازو اﻧﺪازهﮔﻴﺮي ﺷﺪ‪ ،‬ﺑﺎدام ﺑﻪ ﺳﻪ دﺳﺘﻪ ﺑﺰرگ‪،‬‬ ‫ﻣﺘﻮﺳﻂ و ﻛﻮﭼﻚ ﺑﺎ دﻗﺖ ﻛﻞ ‪ 99/70‬درﺻﺪ دﺳﺘﻪﺑﻨﺪي ﮔﺮدﻳﺪ )‪ .(Castelo-Quispe et al., 2013‬در ﺗﺤﻘﻴﻖ ﻣﺸﺎﺑﻪ دﻳﮕﺮ‬ ‫ﺗﻮﺳﻂ ﭘﻴﺮﺳﻦ و ﻫﻤﻜﺎران در ﺳﺎل ‪ ،1999‬ﺑﺮاي ﺟﺪاﺳﺎزي ﭘﺴﺘﻪ ﻫﺎي ﺧﻨﺪان‪ ،‬ﻛﻢﺧﻨﺪان و ﻧﺎﺧﻨﺪان‪ ،‬ﮔﺮادﻳﺎن ﻫﻴﺴﺘﻮﮔﺮام‬ ‫ﺳﻄﻮح ﺧﺎﻛﺴﺘﺮي در ﻋﺮض ﻳﻚ ﺗﺼﻮﻳﺮ ﺟﻬﺖ اﻧﺘﺨﺎب وﻳﮋﮔﻲﻫﺎ اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬در ﻣﺠﻤﻮع ‪ 246‬وﻳﮋﮔﻲ از ﻫﺮ‬ ‫‪Correlation-based Feature Selection‬‬

‫‪3‬‬

‫‪1‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻣﺤﺼﻮل ﺑﺪﺳﺖ آﻣﺪ‪ ،‬ﻛﻪ اﻳﻦ ﺗﻌﺪاد وﻳﮋﮔﻲ در ﻓﺎز ﺑﺮونﺧﻂ‪ 2‬ﺑﻮده و ﺑﺴﻴﺎري از اﻳﻦ وﻳﮋﮔﻲﻫﺎ در ﺣﺎﻟﺖ ﺑﺮﺧﻂ‪ 3‬ﻧﺎﻣﻨﺎﺳﺐ‬ ‫ﺗﺸﺨﻴﺺ داده ﺷﺪه و ﺗﻨﻬﺎ ﭼﻬﺎر وﻳﮋﮔﻲ از اﻳﻦ ‪ 246‬وﻳﮋﮔﻲ ﺑﺮاي اﻳﻦ ﻓﺎز اﻧﺘﺨﺎب ﮔﺮدﻳﺪ‪ .‬ﻧﺘﺎﻳﺞ اﻳﻦ ﭘﮋوﻫﺶ ﺣﺎﻛﻲ از‬ ‫دﻗﺖ ‪ 95‬درﺻﺪي اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﺟﺪاﺳﺎزي ﻣﺤﺼﻮل ﺑﻪ دو ﻛﻼس ﻗﺎﺑﻞ ﻗﺒﻮل و رد ﺷﺪه ﺑﻮده اﺳﺖ )‬

‫& ‪Pearson‬‬

‫‪ .(Toyofuku, 1999‬ﻫﻤﭽﻨﻴﻦ ﻧﺘﺎﻳﺞ اﺳﺘﻔﺎده از ﺗﺮﻛﻴﺐ وﻳﮋﮔﻲﻫﺎي رﻧﮓ و ﺑﺎﻓﺖ اﺳﺘﺨﺮاﺟﻲ از ﻣﺤﺼﻮل ﻓﻨﺪق در ﻓﻀﺎﻫﺎي‬ ‫رﻧﮕﻲ *‪ HSV, L*a*b‬و ‪ RGB‬ﺑﺮاي درﺟﻪﺑﻨﺪي ﻛﻴﻔﻲ اﻳﻦ ﻣﺤﺼﻮل ﻣﻮﻓﻘﻴﺖآﻣﻴﺰ ﮔﺰارش ﺷﺪه اﺳﺖ‬

‫) ‪Donis-Gonzalez et‬‬

‫‪.(al., 2013‬‬ ‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺮور ﻣﻨﺎﺑﻊ ﻣﺸﺨﺺ ﺷﺪ ﻛﻪ ﻳﻜﻲ از روشﻫﺎي ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﺟﻬﺖ ﻛﻴﻔﻴﺖﺳﻨﺠﻲ ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي‬ ‫اﺳﺘﻔﺎده از ﺗﻠﻔﻴﻖ ﺗﻜﻨﻴﻜﻬﺎي ﻣﺎﺷﻴﻦﺑﻴﻨﺎﻳﻲ و ﻫﻮش ﻣﺤﺎﺳﺒﺎﺗﻲ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺪﻳﻦ ﺗﺮﺗﻴﺐ در ﭘﮋوﻫﺶ ﺣﺎﺿﺮ ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي‬ ‫ﻣﺤﺼﻮل ﺑﺎدام از ﻟﺤﺎظ ﻛﻴﻔﻲ و ﺟﺪاﺳﺎزي ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ آن از ﺗﻜﻨﻴﻚ ﭘﺮدازش ﺗﺼﻮﻳﺮ و روش ﻣﺪلﺳﺎزي‬

‫‪ANN‬‬

‫اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪.‬‬ ‫ﻣﻮاد و روشﻫﺎ‬ ‫ﺗﺤﺼﻴﻞ ﺗﺼﺎوﻳﺮ ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام و ﻗﻄﻌﻪﺑﻨﺪي‬ ‫اﺑﺘﺪا ﺗﺼﺎوﻳﺮ ﺗﻮﺳﻂ ﻳﻚ دﺳﺘﮕﺎه اﺳﻜﻨﺮ ﻣﺪل )‪ (HP, Scanjet 3570c, USA‬ﮔﺮﻓﺘﻪ ﺷﺪ؛ ﺑﻪ ﻃﻮري ﻛﻪ در ﻫﺮ ﺗﺼﻮﻳﺮ ﺗﻤﺎﻣﻲ‬ ‫ﻛﻼسﻫﺎي ﺑﺎدام ﻗﺮار داده ﺷﺪه ﺑﻮد )ﻛﻼس ﺑﺎدام ﺳﺎﻟﻢ‪ ،‬ﺷﻜﺴﺘﻪ‪ ،‬ﭼﺮوﻛﻴﺪه و ﭘﻮﺳﺖ ﺑﺎدام( )‪) (ISIRI, 1995‬ﺷﻜﻞ ‪.(1‬‬ ‫ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ﻧﻤﻮﻧﻪﻫﺎ ﺑﺮاي ﻫﺮ ﻛﻼس ﺷﺎﻣﻞ ‪ 200‬ﻋﺪد ﺑﻮده اﺳﺖ‪ .‬در ﮔﺎم ﺑﻌﺪ ﺗﺼﺎوﻳﺮ ﺑﻪ روش آﺳﺘﺎﻧﻪﮔﺬاري اﺗﺴﻮ در‬ ‫ﻣﻮﻟﻔﻪ رﻧﮕﻲ ‪) H‬ﻓﻀﺎي رﻧﮕﻲ ‪ (HSI‬ﻗﻄﻌﻪﺑﻨﺪي ﺷﺪﻧﺪ؛ ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ روش‪ ،‬ﺑﺎدامﻫﺎ ﺑﺎ دﻗﺖ ﺑﺎﻻﻳﻲ از ﺗﺼﺎوﻳﺮ اﺳﺘﺨﺮاج‬ ‫ﮔﺮدﻳﺪﻧﺪ )ﺷﻜﻞ ‪1‬پ(‪ .‬ﻫﻤﭽﻨﻴﻦ ﺗﻤﺎﻣﻲ ﻣﺮاﺣﻞ ﻣﺮﺑﻮط ﺑﻪ ﭘﺮدازش ﺗﺼﻮﻳﺮ از ﺟﻤﻠﻪ‪ :‬ﻗﻄﻌﻪﺑﻨﺪي‪ ،‬ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ‬ ‫ﻫﻢ ﭼﺴﺒﻴﺪه‪ ،‬اﺳﺘﺨﺮاج وﻳﮋﮔﻲ و روش ﻣﺪلﺳﺎزي ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ در ﻧﺮم اﻓﺰار ﻣﺘﻠﺐ‪ 4‬ﻧﺴﺨﻪ ‪ 2012‬ﭘﻴﺎدهﺳﺎزي‬ ‫ﮔﺮدﻳﺪ‪ .‬ﺑﺨﺶ ﺑﻌﺪي ﻣﺮﺑﻮط ﺑﻪ اراﺋﻪ روﺷﻲ ﺳﺎده ﺑﺮاي ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫‪4‬‬

‫‪Off-Line‬‬

‫‪2‬‬

‫‪In-Line‬‬

‫‪3‬‬

‫‪Matlab‬‬

‫‪4‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﺷﻜﻞ ‪ :1‬ﺗﺼﻮﻳﺮ ﮔﺮﻓﺘﻪ ﺷﺪه از ﺗﻤﺎﻣﻲ ﻛﻼسﻫﺎي ﺑﺎدام ﺑﺎ ﻣﻮﻗﻌﻴﺖﻫﺎي ﻣﺨﺘﻠﻒ؛ اﻟﻒ وب( ﺗﺼﺎوﻳﺮ رﻧﮕﻲ از ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ‬ ‫ﺑﺎدام و پ( ﺗﺼﻮﻳﺮ ﻗﻄﻌﻪﺑﻨﺪي ﺷﺪه در ﻣﻮﻟﻔﻪ رﻧﮕﻲ ‪ H‬ﺑﺎ اﺳﺘﻔﺎده از روش آﺳﺘﺎﻧﻪﮔﺬاري اﺗﺴﻮ‪.‬‬

‫ﻧﻘﺎط ﺑﺤﺮاﻧﻲ در ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫اﺳﺘﺨﺮاج ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﻣﺮاﺣﻞ ﺑﺮاي ﺟﺪاﺳﺎزي اﺷﻴﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه اﺳﺖ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس‪ ،‬در ﻣﻄﺎﻟﻌﺎت‬ ‫ﮔﻮﻧﺎﮔﻮﻧﻲ‪ ،‬روشﻫﺎي ﻣﺨﺘﻠﻔﻲ ﺑﺮاي اﺳﺘﺨﺮاج اﻳﻦ ﻧﻘﺎط ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬ﺑﻪ ﻃﻮر ﻣﺜﺎل اﻧﺘﺨﺎب ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺑﺎ اﺳﺘﻔﺎده‬ ‫از روش ﻣﺎﻛﺰﻳﻤﻢ ﻣﺤﻠﻲ )‪ (Asada & Brady, 1996‬ﻳﺎ اﻧﺘﺨﺎب ﻧﻘﺎط ﺑﺤﺮاﻧﻲ از روي ﻣﻘﺪار اﻧﺤﻨﺎي ﻧﻘﺎط ﻣﺮزي اﺳﺘﺨﺮاج‬ ‫ﺷﺪه )‪ (Sohn et al., 1994‬ﻣﻲﺗﻮان اﺷﺎره ﻧﻤﻮد‪ .‬در اﻳﻦ ﺗﺤﻘﻴﻖ از روش ﺟﺪﻳﺪي ﻣﺒﺘﻨﻲ ﺑﺮ روشﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻮرﻓﻮﻟﻮژي‬ ‫در ﭘﺮدازش ﺗﺼﻮﻳﺮ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ؛ ﻣﺮاﺣﻞ ﻣﺮﺑﻮط ﺑﻪ ﭘﻴﺎدهﺳﺎزي اﻳﻦ روش ﺑﺸﺮح زﻳﺮاﺳﺖ‪:‬‬ ‫‪ -1‬اﺳﺘﺨﺮاج ﻣﺮز ﭘﻴﺮاﻣﻮﻧﻲ ﺑﺎدامﻫﺎ )اﺳﺘﺨﺮاج ﺗﻤﺎﻣﻲ ﻧﻘﺎط ﻣﺮزي ﺑﺎدام( )ﺷﻜﻞ ‪2‬ب(‪.‬‬ ‫‪ -2‬ﺗﺸﻜﻴﻞ ﻣﺎﺳﻚ داﻳﺮهاي ﺑﻪ ﺷﻌﺎع ‪ 14‬ﭘﻴﻜﺴﻞ )ﺷﻜﻞ ‪2‬پ(‪.‬‬ ‫‪ -3‬اﻧﻄﺒﺎق ﻣﺮﻛﺰ ﻣﺎﺳﻚ ﺑﺎ ﻧﻘﺎط ﻣﺮزي اﺳﺘﺨﺮاج ﺷﺪه ﺑﺎدام در ﻣﺮﺣﻠﻪ اول )ﺷﻜﻞ ‪2‬ت(‪.‬‬ ‫‪ -4‬ﻣﺤﺎﺳﺒﻪ ﻣﺴﺎﺣﺖ ﻣﺸﺘﺮك ﺑﻴﻦ ﻣﺎﺳﻚ و ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺑﺎدام و ﺳﭙﺲ ﻧﺮﻣﺎل ﻛﺮدن اﻳﻦ ﻣﻘﺎدﻳﺮ ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ )ﺷﻜﻞ‬ ‫‪2‬ت(‪.‬‬

‫‪5‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﺑﺮاي اﻧﺘﺨﺎب ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﻧﻴﺰ از ﻣﻴﺎن ﻣﺠﻤﻮﻋﻪ ﻧﻘﺎط ﻣﺮزي اﺳﺘﺨﺮاج ﺷﺪه‪ ،‬از روش آﺳﺘﺎﻧﻪﮔﺬاري اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‬ ‫)ﻣﺴﺎﺣﺖﻫﺎي ﻧﺮﻣﺎل ﺷﺪهاي ﻛﻪ ﺑﻴﺸﺘﺮ از ﺳﻄﺢ آﺳﺘﺎﻧﻪ ﺑﻮدهاﻧﺪ اﻧﺘﺨﺎب ﮔﺮدﻳﺪ(‪ .‬ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ‪0/62‬‬ ‫ﺑﺎ روش آزﻣﻮن و ﺧﻄﺎ اﻧﺘﺨﺎب ﮔﺮدﻳﺪ و ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ روش ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺑﺎ دﻗﺖ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ از ﺗﺼﺎوﻳﺮ اﺳﺘﺨﺮاج‬ ‫ﺷﺪﻧﺪ )ﺷﻜﻞ ‪.(3‬‬

‫ﺷﻜﻞ ‪ .2‬اﺳﺘﺨﺮاج ﻣﺴﺎﺣﺖ ﻣﺸﺘﺮك ﻧﻮاﺣﻲ ﺑﺎدام و ﻧﻘﺎط ﻣﺮزي اﺳﺘﺨﺮاج ﺷﺪه )‪ P1,P2‬ﻧﻤﻮﻧﻪﻫﺎﻳﻲ از ﻧﻘﺎط ﻣﺮزي اﺳﺘﺨﺮاج‬ ‫ﺷﺪه(؛ ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﺑﺎ ﺣﺮﻛﺖ ﻣﺎﺳﻚ ﺑﺮوي ﺗﻤﺎﻣﻲ ﻧﻘﺎط ﻣﺮزي ﻣﺴﺎﺣﺖ ﻣﺸﺘﺮك ﺑﺮاي ﺗﻤﺎﻣﻲ ﻧﻘﺎط ﺑﻪ دﺳﺖ آﻣﺪ‪.‬‬

‫ﺷﻜﻞ ‪ .3‬اﺳﺘﺨﺮاج ﻧﻘﺎط ﺑﺤﺮاﻧﻲ در ﺗﺼﻮﻳﺮ ﺑﺎﻳﻨﺮي ﺷﺪه ﺑﺎدام ﺑﺎ اﺳﺘﻔﺎده از روش ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﻮرﻓﻮﻟﻮژي ﺗﺼﻮﻳﺮ؛ اﻟﻒ( ﻧﻤﻮﻧﻪاي از‬ ‫ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه و ب( اﺳﺘﺨﺮاج ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺑﺎ اﺳﺘﻔﺎده از روش آﺳﺘﺎﻧﻪﮔﺬاري‪.‬‬

‫ﺧﻄﻮط ﺟﺪاﺳﺎز ﺑﺮاي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ در ﻗﺴﻤﺖ ﻗﺒﻞ‪ ،‬ﻧﻘﺎط ﺑﺤﺮاﻧﻲ در ﺗﺼﺎوﻳﺮ ﻣﺸﺨﺺ ﺷﺪﻧﺪ؛ ﻫﻢ اﻛﻨﻮن ﻧﻮﺑﺖ ﺑﻪ رﺳﻢ ﺧﻄﻮط ﺟﺪاﺳﺎزي‬ ‫ﺑﻪ ﺷﻜﻠﻲ ﺻﺤﻴﺢ ﺑﻴﻦ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ اﺳﺖ‪ .‬اﻳﻦ ﻣﺮﺣﻠﻪ ﺟﺰ ﻣﺮاﺣﻞ ﻣﻬﻢ در ﺟﺪاﺳﺎزي ﻧﻮاﺣﻲ ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﺷﺪه در ﺗﺼﺎوﻳﺮ‬ ‫ﺑﺎﻳﻨﺮي اﺳﺖ‪ ،‬زﻳﺮا اﮔﺮ در اﻳﻦ ﻣﺮﺣﻠﻪ‪ ،‬ﺧﻄﻮط ﻗﻄﻌﻪﺑﻨﺪي ﺑﻴﻦ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺑﻪ ﻃﻮر ﻧﺎدرﺳﺘﻲ رﺳﻢ ﺷﻮﻧﺪ‪ ،‬اﻟﮕﻮرﻳﺘﻢ‬ ‫ﭘﻴﺸﻨﻬﺎدي ﺑﺎ ﺷﻜﺴﺖ ﻣﻮاﺟﻪ ﻣﻲﮔﺮدد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در اﻳﻦ ﺗﺤﻘﻴﻖ‪ ،‬روش ﻗﺪرﺗﻤﻨﺪي ﺑﺮاي رﺳﻢ ﺧﻄﻮط ﻗﻄﻌﻪﺑﻨﺪي ﻣﻮرد‬

‫‪6‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ‪ .‬اﺑﺘﺪا‪ ،‬ﻓﺎﺻﻠﻪ ﺑﻴﻦ ﻧﻘﻄﻪ اول و ﺳﺎﻳﺮ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ )ﻧﻘﻄﻪ ﺷﻤﺎره ‪ 2‬ﻳﺎ ‪ 3‬ﻳﺎ ‪ 4‬ﻳﺎ ‪ (...‬ﺑﺪﺳﺖ آﻣﺪ و‬ ‫ذﺧﻴﺮه ﮔﺮدﻳﺪ )ﺷﻜﻞ ‪ .(3‬ﺳﭙﺲ‪ ،‬در ﺑﻴﻦ ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎدﻳﺮ ذﺧﻴﺮه ﺷﺪه ﻛﻪ ﻧﺸﺎن دﻫﻨﺪه ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ اول ﺑﺎ ﺳﺎﻳﺮ ﻧﻘﺎط‬ ‫ﺑﺤﺮاﻧﻲ اﺳﺖ؛ ﻛﻮﺗﺎهﺗﺮﻳﻦ ﻓﺎﺻﻠﻪ اﻧﺘﺨﺎب ﺷﺪ و ﺑﺎ اﻳﻦ روش ﻧﻘﻄﻪ ﻣﻘﺼﺪ )ﻧﻘﻄﻪاي ﻛﻪ ﺑﺎﻳﺴﺘﻲ ﺑﺎ ﻳﻚ ﺧﻂ ﺑﻪ ﻧﻘﻄﻪ اول‬ ‫وﺻﻞ ﺷﻮد( ﻧﻴﺰ ﻣﺸﺨﺺ ﮔﺮدﻳﺪ‪ .‬در ﻧﻬﺎﻳﺖ ﻳﻚ ﺧﻂ ﺑﺎ ﺷﺪت ﭘﻴﻜﺴﻞ ﺻﻔﺮ ﺑﻴﻦ ﻧﻘﻄﻪ اول و ﻧﻘﻄﻪ ﻣﻘﺼﺪ رﺳﻢ ﮔﺮدﻳﺪ‪.‬‬ ‫ﺳﭙﺲ ﻫﺮ دوي اﻳﻦ ﻧﻘﺎط از ﻟﻴﺴﺖ ﻣﺠﻤﻮﻋﻪ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺣﺬف ﺷﺪﻧﺪ و ﻫﻤﻴﻦ ﻣﺮاﺣﻞ ﺑﺮاي ﺳﺎﻳﺮ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺗﻜﺮار‬ ‫ﺷﺪ و ﺧﻄﻮط ﻗﻄﻌﻪﺑﻨﺪي ﺑﻴﻦ ﺗﻤﺎﻣﻲ ﻧﻘﺎط ﺑﺤﺮاﻧﻲ رﺳﻢ ﮔﺮدﻳﺪ‪ .‬ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه ﺑﻪ ﺷﻜﻞ ﻣﻮﻓﻘﻴﺖ‪-‬‬ ‫آﻣﻴﺰي از ﻳﻜﺪﻳﮕﺮ ﺟﺪا ﺷﺪﻧﺪ؛ ﺑﻨﺎﺑﺮاﻳﻦ ﻣﻲﺗﻮان اﻛﻨﻮن وﻳﮋﮔﻲﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ را از ﺗﻚ ﺗﻚ ﻧﻤﻮﻧﻪﻫﺎ‬ ‫ﺑﺪﺳﺖ آورد‪.‬‬ ‫اﺳﺘﺨﺮاج وﻳﮋﮔﻲﻫﺎي ﺷﻜﻞ و رﻧﮓ‬ ‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ در ﺑﻴﻦ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎدام ﺷﻜﻞﻫﺎي ﻣﺘﻔﺎوﺗﻲ وﺟﻮد دارد؛ اﺳﺘﻔﺎده از وﻳﮋﮔﻲﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ﺷﻜﻞ‬ ‫ﻣﺤﺼﻮل ﻣﻲﺗﻮاﻧﺪ در دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي ﺗﺎﺛﻴﺮ ﻣﺜﺒﺖ داﺷﺘﻪ ﺑﺎﺷﺪ )ﺑﻪ ﻃﻮر ﻣﺜﺎل ﻛﻼس ﺑﺎدام ﺷﻜﺴﺘﻪ ﻧﺴﺒﺖ ﺑﻪ ﺑﺎدام ﺳﺎﻟﻢ‬ ‫ﺷﻜﻞ ﻣﺘﻔﺎوﺗﻲ دارد( ﺷﻜﻞ )‪ .(1‬ﺑﺮ اﻳﻦ اﺳﺎس وﻳﮋﮔﻲﻫﺎي ﺷﻜﻞ اﺳﺘﺨﺮاج ﺷﺪه ﺷﺎﻣﻞ‪ :‬ﻣﺴﺎﺣﺖ‪ ،‬ﻣﺤﻴﻂ‪ ،‬ﺧﺮوج از‬ ‫ﻣﺮﻛﺰﻳﺖ‪ ،‬ﻧﺴﺒﺖ ﻗﻄﺮ اﺻﻠﻲ ﺑﻪ ﻓﺮﻋﻲ‪ ،‬ﺻﻠﺒﻴﺖ و ﮔﺮدي ﻣﻲﺑﺎﺷﺪ‪ .‬از ﻃﺮف دﻳﮕﺮ رﻧﮓ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎدام ﺑﺎ ﻳﻜﺪﻳﮕﺮ‬ ‫ﺗﻤﺎﻳﺰ داﺷﺘﻨﺪ؛ ﺑﻨﺎﺑﺮاﻳﻦ ﺗﻮﺻﻴﻒﮔﺮﻫﺎي رﻧﮓ ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻳﻚ وﻳﮋﮔﻲ ﻣﻮﺛﺮ از ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام اﺳﺘﺨﺮاج ﮔﺮدد‪ .‬در‬ ‫اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎ ﺑﺮرﺳﻲ ﻓﻀﺎﻫﺎي رﻧﮕﻲ ﻣﺨﺘﻠﻒ ﺳﻪ ﻓﻀﺎي رﻧﮕﻲ‬

‫‪RGB, Nrgb, CMY‬‬

‫اﻧﺘﺨﺎب ﮔﺮدﻳﺪ‪ .‬از ﻣﺰاﻳﺎي اﻳﻦ‬

‫ﻓﻀﺎﻫﺎي رﻧﮕﻲ اﻳﺠﺎد ﺗﻀﺎد ﺑﺎﻻ در ﺷﺎﺧﺺﻫﺎي رﻧﮓ و ﺑﺎﻓﺖ ﻣﺮﺑﻮط ﺑﻪ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎدام ﺑﻮده اﺳﺖ؛ ﺑﻪ ﻃﻮر‬ ‫ﻣﺜﺎل در ﻣﻮﻟﻔﻪ رﻧﮕﻲ ‪ C‬از ﻓﻀﺎي ‪ CMY‬ﺗﻤﺎﻳﺰ رﻧﮓ ﻣﺮﺑﻮط ﺑﻪ ﻛﻼس ﺑﺎدام ﺷﻜﺴﺘﻪ از ﭘﻮﺳﺖ ﺑﺎدام ﻣﺸﺨﺺ ﺑﻮد )ﻛﻪ ﻣﻲ‪-‬‬ ‫ﺗﻮاﻧﺪ ﻣﻮﺟﺐ اﻓﺰاﻳﺶ دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي ﺷﻮد(‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻔﺎوت در رﻧﮓ ﻣﺮﺑﻮط ﺑﻪ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎدام در ﻓﻀﺎﻫﺎي‬ ‫رﻧﮕﻲ ذﻛﺮ ﺷﺪه‪ ،‬از ﺗﻮﺻﻴﻒﮔﺮﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ رﻧﮓ ﻧﻴﺰ اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬در اﻳﻦ ﺗﺤﻘﻴﻖ‪ ،‬ﭼﻬﺎر ﺗﻮﺻﻴﻒﮔﺮ آﻣﺎري ﺷﺎﻣﻞ‪:‬‬ ‫ﻣﻴﺎﻧﮕﻴﻦ)(‪ ،‬وارﻳﺎﻧﺲ)(‪ ،‬ﭼﻮﻟﮕﻲ و ﻛﺸﻴﺪﮔﻲ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺎ ﻣﻌﺎدﻻت ‪ 1‬ﺗﺎ ‪ ،4‬از ﺗﻤﺎﻣﻲ ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام اﺳﺘﺨﺮاج ﺷﺪ‪.‬‬ ‫  = ∑  = ‬

‫)‪(1‬‬

‫  ‪=  ∑ =  −‬‬

‫)‪(2‬‬

‫ ‬ ‫  ∑‬ ‫  ‬ ‫‬

‫)‪(3‬‬

‫ √ ‬

‫‬ ‫∑‬ ‫  ‬

‫)‪(4‬‬

‫‬

‫‪7‬‬

‫ √ ‬

‫‬

‫= ‬ ‫‬

‫ =  ‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫وﻳﮋﮔﻲ ﺑﺎﻓﺖ )ﻣﺎﺗﺮﻳﺲ ﻫﻢوﻗﻮﻋﻲ(‬ ‫در ﺳﺎلﻫﺎي اﺧﻴﺮ اﺳﺘﻔﺎده از آﻧﺎﻟﻴﺰ ﺑﺎﻓﺖ در زﻣﻴﻨﻪ ﻛﻴﻔﻴﺖﺳﻨﺠﻲ ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ اﺳﺖ و از آن ﺑﺮاي‬ ‫ﻃﺒﻘﻪﺑﻨﺪي و آﺷﻜﺎرﺳﺎزي ﻧﻮاﺣﻲ آﺳﻴﺐ دﻳﺪه ﻣﺤﺼﻮﻻت اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ )‪ .(Mery et al., 2013‬ﺑﺎ ﺗﺤﻠﻴﻞ ﺗﺼﺎوﻳﺮ در‬ ‫ﻓﻀﺎﻫﺎي رﻧﮕﻲ ذﻛﺮ ﺷﺪه ﺗﻔﺎوت در ﺑﺎﻓﺖ ﻛﻼسﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎدام ﻣﺸﻬﻮد ﺑﻮد؛ ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺎﻓﺖ ﻣﺮﺑﻮط ﺑﻪ ﻛﻼس ﺑﺎدام‬ ‫ﭼﺮوﻛﻴﺪه ﺑﻪ دﻟﻴﻞ ﭼﺮوﻛﻴﺪﮔﻲﻫﺎﻳﻲ ﻛﻪ در ﺳﻄﺢ آن وﺟﻮد دارد ﺑﺎ ﻛﻼس ﺑﺎدام ﺳﺎﻟﻢ ﻣﺘﻔﺎوت ﺑﻮده؛ در ﺣﺎﻟﻲ ﻛﻪ ﺷﻜﻞ و‬ ‫رﻧﮓ اﻳﻦ دو ﻛﻼس ﻧﺰدﻳﻚ ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﭘﻴﺎدهﺳﺎزي آﻧﺎﻟﻴﺰ ﺑﺎﻓﺖ از روش ﻣﺤﺎﺳﺒﻪ ﻣﺎﺗﺮﻳﺲ ﻫﻢوﻗﻮﻋﻲ‬

‫) ‪Grey‬‬

‫‪ (level co-occurrence matrix‬اﺳﺘﻔﺎده ﮔﺮدﻳﺪ )‪ .(Haralick et al., 1973‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﺎﺗﺮﻳﺲ ﻫﻢ وﻗﻮﻋﻲ ﺑﺎﻳﺪ اﺣﺘﻤﺎل‬ ‫ﻗﺮار ﮔﺮﻓﺘﻦ ﺟﻔﺖ ﭘﻴﻜﺴﻞﻫﺎﻳﻲ ﻛﻪ ﺑﺎ ﻳﻚ ﺳﺎﺧﺘﺎر ﻣﺸﺨﺺ در ﻛﻨﺎر ﻳﻜﺪﻳﮕﺮ ﻫﺴﺘﻨﺪ را ﻣﺤﺎﺳﺒﻪ ﻛﺮد‪ .‬اﻳﻦ ﺳﺎﺧﺘﺎر ﺷﺎﻣﻞ‬ ‫ﻓﺎﺻﻠﻪ ‪ d‬و زاوﻳﻪ ﻗﺮارﮔﻴﺮي  ﺑﻴﻦ ﺟﻔﺖ ﭘﻴﻜﺴﻞﻫﺎ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس ﻣﺎﺗﺮﻳﺲ ﻫﻢوﻗﻮﻋﻲ ﺑﺎ ﻣﻌﺎدﻟﻪ ‪ 5‬ﺗﺸﻜﻴﻞ ﮔﺮدﻳﺪ‪.‬‬ ‫! =  ∆ ‪ , $%, & =  , ' $% + ∆, & +‬‬ ‫‪+‬‬ ‫" ‪∆,∆ !,  = ∑ %, ∑&,‬‬ ‫  * ‪) ,‬‬

‫)‪(5‬‬

‫در اﻳﻦ راﺑﻄﻪ‬

‫‪C‬‬

‫ﻣﺎﺗﺮﻳﺲ ﻫﻢوﻗﻮﻋﻲ‪ i ،‬و ‪ j‬اﻧﺪازه ﺗﺼﻮﻳﺮ‬

‫‪∆ ،I‬‬

‫و ∆ اﻧﺪازه ﭘﺎراﻣﺘﺮﻫﺎي آﻓﺴﺖ و ﺳﺮاﻧﺠﺎم‬

‫‪m‬‬

‫و ‪ n‬ﺑﺮاﺑﺮ‬

‫ﺗﻌﺪاد ﺳﻄﻮح ﺧﺎﻛﺴﺘﺮي ﻣﻲﺑﺎﺷﻨﺪ‪ .‬زﻣﺎﻧﻲ ﻛﻪ ﻣﺎﺗﺮﻳﺲ ﻫﻢوﻗﻮﻋﻲ ﺑﺪﺳﺖ آﻣﺪ ﭼﻬﺎر ﺷﺎﺧﺺ آﻣﺎري ﺷﺎﻣﻞ‪ :‬ﺗﻀﺎد‪،‬‬ ‫ﻫﻤﺒﺴﺘﮕﻲ‪ ،‬اﻧﺮژي و ﻫﻤﮕﻮﻧﻲ ﺑﻪ ﻋﻨﻮان وﻳﮋﮔﻲﻫﺎي ﺑﺎﻓﺖ‪ ،‬از ﺗﻤﺎﻣﻲ ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام اﺳﺘﺨﺮاج ﮔﺮدﻳﺪﻧﺪ‪.‬‬ ‫ﻛﺎﻫﺶ اﺑﻌﺎد وﻳﮋﮔﻲﻫﺎي اﺳﺘﺨﺮاﺟﻲ‬ ‫در ﻣﺠﻤﻮع ﺗﻌﺪاد ‪ 78‬وﻳﮋﮔﻲ از ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام اﺳﺘﺨﺮاج ﮔﺮدﻳﺪ‪ .‬وﻟﻲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ ﺗﻌﺪاد اﻳﻦ وﻳﮋﮔﻲﻫﺎ زﻳﺎد ﺑﻮده و‬ ‫ﺑﺮاي ﻛﺎرﺑﺮدﻫﺎي زﻣﺎن واﻗﻌﻲ ﻣﻨﺎﺳﺐ ﻧﻤﻲﺑﺎﺷﻨﺪ؛ ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ﺑﺎﻻي وروديﻫﺎي ‪ ANN‬ﻣﻮﺟﺐ ﻛﺎﻫﺶ ﻋﻤﻠﻜﺮد ﺷﺒﻜﻪ‬ ‫ﻣﻲﮔﺮدد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ از روش آﻧﺎﻟﻴﺰ ﻣﻮﻟﻔﻪﻫﺎي اﺻﻠﻲ‪ 5‬ﺑﺮاي ﻛﺎﻫﺶ اﺑﻌﺎد ﺑﺮدار وﻳﮋﮔﻲﻫﺎي اﺳﺘﺨﺮاﺟﻲ )ﺗﺮﻛﻴﺐ وﻳﮋﮔﻲﻫﺎي‬ ‫ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ( اﺳﺘﻔﺎده ﮔﺮدﻳﺪ؛ اﻳﻦ ﺗﻜﻨﻴﻚ در ﺗﺤﻘﻴﻘﺎت ﺑﺴﻴﺎري ﺑﺮاي ﻛﺎﻫﺶ ﺑﺮدار وﻳﮋﮔﻲﻫﺎي ورودي اﺳﺘﻔﺎده‬ ‫ﺷﺪه اﺳﺖ )‪ .(Omid et al., 2009‬آﻧﺎﻟﻴﺰ‬

‫‪PCA‬‬

‫ﺑﺮدار وﻳﮋﮔﻲﻫﺎ در ﻧﺮماﻓﺰار ﻣﺘﻠﺐ ﻧﺴﺨﻪ ‪ 2012‬ﭘﻴﺎدهﺳﺎزي ﮔﺮدﻳﺪ‪ .‬ﻣﻘﺪار‬

‫آﺳﺘﺎﻧﻪ ﺑﺮاي اﺳﺘﺨﺮاج ﻣﻮﻟﻔﻪﻫﺎي اﺻﻠﻲ ﺑﺮاﺑﺮ ‪ 2‬درﺻﺪ ﺑﻮده اﺳﺖ؛ ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ اﻳﻦ ﻣﻘﺪار ﺑﺮاي آﺳﺘﺎﻧﻪ‪،‬‬ ‫ﻣﻮﻟﻔﻪﻫﺎﻳﻲ ﻛﻪ ﻛﻤﺘﺮ از ‪ 2‬درﺻﺪ از وارﻳﺎﻧﺲ ﻛﻞ دادهﻫﺎي ورودي را داﺷﺘﻪ‪ ،‬ﺣﺬف ﮔﺮدﻳﺪﻧﺪ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس در ﻣﺠﻤﻮع ‪18‬‬ ‫ﻣﻮﻟﻔﻪ اﺻﻠﻲ از ﻣﺠﻤﻮع ‪ 78‬وﻳﮋﮔﻲ اﺳﺘﺨﺮاج ﮔﺮدﻳﺪ‪.‬‬

‫‪Principle component analysis‬‬

‫‪8‬‬

‫‪5‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻃﺒﻘﻪﺑﻨﺪي ﺑﺎ ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ‬ ‫ﺷﺒﻜﻪﻫﺎي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ )‪ (ANNs‬ﻳﻜﻲ از روشﻫﺎي داده ﻛﺎوي ﻣﻲﺑﺎﺷﺪ‪ ،‬ﻛﻪ در زﻣﻴﻨﻪﻫﺎي ﻣﺨﺘﻠﻔﻲ از ﺟﻤﻠﻪ ﻃﺒﻘﻪ‪-‬‬ ‫ﺑﻨﺪي ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي ﮔﺴﺘﺮش ﻳﺎﻓﺘﻪ اﺳﺖ )‪ .(Omid et al., 2009‬ﺳﺎﺧﺘﺎر ﻳﻚ ‪ ANN‬از ﺳﻪ ﻻﻳﻪ ﺗﺸﻜﻴﻞ ﺷﺪه اﺳﺖ‪،‬‬ ‫ﻻﻳﻪ ورودي‪ ،‬ﻻﻳﻪ ﻣﺨﻔﻲ و ﻻﻳﻪ ﺧﺮوﺟﻲ‪ .‬ﺗﻌﺪاد ﻧﺮونﻫﺎي ﻻﻳﻪ ورودي‪ ،‬ﻣﺨﻔﻲ و ﺧﺮوﺟﻲ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺴﺘﮕﻲ ﺑﻪ ﺗﻌﺪاد‬ ‫ﺑﺮدار وﻳﮋﮔﻲﻫﺎي ورودي‪ ،‬ﭘﻴﭽﻴﺪﮔﻲ ﻣﺴﺌﻠﻪ ﻃﺒﻘﻪﺑﻨﺪي و ﺗﻌﺪاد ﻛﻼسﻫﺎي ﺧﺮوﺟﻲ ﻛﻪ در اﻳﻦ ﻣﺴﺌﻠﻪ ﭼﻬﺎر ﻛﻼس )ﺷﺎﻣﻞ‬ ‫ﻛﻼس ﺑﺎدام ﺳﺎﻟﻢ‪ ،‬ﺷﻜﺴﺘﻪ‪ ،‬ﭼﺮوﻛﻴﺪه و ﭘﻮﺳﺖ ﺑﺎدام( اﺳﺖ‪ ،‬دارد‪ .‬در اﻳﻦ ﺗﺤﻘﻴﻖ از ﭘﺮﺳﭙﺘﺮون ﭼﻨﺪ ﻻﻳﻪ )‬

‫‪Multilayer‬‬

‫‪ (feed-forward neural network‬اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬ﺗﻮاﺑﻊ ﻣﺮﺑﻮط ﺑﻪ ﻻﻳﻪ ﻣﺨﻔﻲ و ﺧﺮوﺟﻲ اﻳﻦ ﺷﺒﻜﻪ )‪ tanh(x‬ﺑﻮده اﺳﺖ‪ .‬ﻗﺒﻞ‬ ‫از اﻳﻨﻜﻪ‬

‫‪PCs‬‬

‫ﺑﻪ ورودي‬

‫‪ANN‬‬

‫داده ﺷﻮﻧﺪ‪ ،‬در ﺑﺎزه‬

‫]‪[-1, 1‬‬

‫ﻧﺮﻣﺎل ﺷﺪهاﻧﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻧﻤﻮﻧﻪﻫﺎ ﺑﻪ ﺳﻪ دﺳﺘﻪ آﻣﻮزش‪،‬‬

‫اﻋﺘﺒﺎرﺳﻨﺠﻲ و ارزﻳﺎﺑﻲ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺎ ﻧﺴﺒﺖ ‪ 15 ،65‬و ‪ 20‬درﺻﺪ ﺗﻘﺴﻴﻢ ﮔﺮدﻳﺪﻧﺪ‪ .‬ﺑﺮاي ﭘﻴﺎدهﺳﺎزي‬

‫‪ANN‬‬

‫از ﻧﺮم اﻓﺰار‬

‫ﻣﺘﻠﺐ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪ .‬ﻳﻜﻲ از ﻣﻮاردي ﻛﻪ ﺑﺮوي دﻗﺖ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ‪ ANN‬ﺗﺎﺛﻴﺮ دارد ﺳﺎﺧﺘﺎر آن ﻣﻲﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﻳﻦ‬ ‫ﻳﺎﻓﺘﻦ ﺑﻬﺘﺮﻳﻦ ﺳﺎﺧﺘﺎر‬

‫‪ANN‬‬

‫از ﻣﻮارد ﻛﻠﻴﺪي در ارﺗﻘﺎي ﻧﺘﺎﻳﺞ ﻃﺒﻘﻪﺑﻨﺪي اﺳﺖ‪ .‬ﺑﺪﻳﻦ ﻣﻨﻈﻮر ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ ﺷﺒﻜﻪ‬

‫ارزﻳﺎﺑﻲ ﮔﺮدﻳﺪ‪.‬‬ ‫ارزﻳﺎﺑﻲ ﻧﺘﺎﻳﺞ‬ ‫ﺑﺮاي ﺑﺮرﺳﻲ ﻋﻤﻠﻜﺮد ‪ ANN‬در ﻃﺒﻘﻪﺑﻨﺪي ﺑﺎدامﻫﺎ و ﻫﻤﭽﻨﻴﻦ اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺳﺎﺧﺘﺎر ﺷﺒﻜﻪ در ﺑﻴﻦ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ‬ ‫از ﺷﺎﺧﺺ آﻣﺎري ﻧﺮخ ﻃﺒﻘﻪﺑﻨﺪي ﺻﺤﻴﺢ ﺑﺎ ﻣﻌﺎدﻟﻪ ‪ 6‬اﺳﺘﻔﺎده ﮔﺮدﻳﺪ )‪.(Mollazade et al., 2012‬‬ ‫)) ×‬

‫)‪(6‬‬

‫ﺟﺎﻳﻲ ﻛﻪ‬

‫*‪. /‬‬

‫ﺗﻌﺪاد ﺑﺎدامﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﻃﻮر ﺻﺤﻴﺤﻲ ﻃﺒﻘﻪﺑﻨﺪي ﺷﺪهاﻧﺪ و‬

‫‪.‬‬

‫*‪. /‬‬ ‫‪.‬‬

‫ = ‪CCR(%‬‬

‫ﺗﻌﺪاد ﻛﻞ ﺑﺎدامﻫﺎ در ﻳﻚ ﻛﻼس‬

‫ﻣﺸﺨﺺ و ‪ CCR‬ﺑﻴﺎﻧﮕﺮ ﻧﺮخ ﻃﺒﻘﻪﺑﻨﺪي ﺻﺤﻴﺢ ﻣﻲﺑﺎﺷﺪ‪.‬‬ ‫ﻧﺘﻴﺠﻪ و ﺑﺤﺚ‬ ‫در اﻳﻦ ﻗﺴﻤﺖ‪ ،‬ﻣﻨﺎﺳﺐﺗﺮﻳﻦ ﺳﺎﺧﺘﺎر‬

‫‪ANN‬‬

‫را ﻳﺎﻓﺘﻪ و از آن ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي ﻣﺤﺼﻮل ﺑﺎدام ﺑﻪ ﭼﻬﺎر ﻛﻼس ﻣﺨﺘﻠﻒ‬

‫اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻧﺘﺎﻳﺞ ﺑﺼﺮي ﺣﺎﺻﻞ از ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه آورده ﺷﺪه اﺳﺖ ﻛﻪ در اداﻣﻪ ﺗﻤﺎﻣﻲ‬ ‫اﻳﻦ ﻣﺮاﺣﻞ ﺑﻪ ﺗﻔﺼﻴﻞ اراﺋﻪ ﺷﺪه اﺳﺖ‪.‬‬ ‫ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه‬ ‫ﺑﻪ ﻣﻨﻈﻮر ارزﻳﺎﺑﻲ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از روش ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه؛ ﺗﺼﺎوﻳﺮي ﺷﺎﻣﻞ‪ :‬دو‪ ،‬ﺳﻪ و‬ ‫ﺑﻴﺶ از ﺳﻪ ﺑﺎدام ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه آورده ﺷﺪه اﺳﺖ )ﺷﻜﻞ ‪ .(4‬ﻫﻤﺎنﻃﻮر ﻛﻪ در ﺷﻜﻞ ﻣﺸﺨﺺ ﺷﺪه اﺳﺖ ﺑﺎدامﻫﺎ ﺑﺎ دﻗﺖ‬ ‫ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ از ﻫﻢ ﺟﺪا ﺷﺪهاﻧﺪ اﻟﺒﺘﻪ در ﺗﻌﺪادي از ﻣﻮارد ﻧﻴﺰ اﻳﻦ ﺟﺪاﺳﺎزي ﻛﺎﻣﻼ ﺑﺎ ﻣﻮﻓﻘﻴﺖ ﻧﺒﻮده اﺳﺖ؛ ﺑﻪ ﻃﻮر ﻣﺜﺎل در‬ ‫ﻣﻮاردي ﻛﻪ ﻣﺮز ﭘﻴﺮاﻣﻮﻧﻲ ﺑﺎدامﻫﺎ ﺑﺴﻴﺎر ﻣﻀﺮس ﺑﺎﺷﻨﺪ‪ ،‬اﺳﺘﺨﺮاج ﻧﻘﺎط ﺑﺤﺮاﻧﻲ ﺳﺨﺖ ﺷﺪه و در اﻳﻦ ﺣﺎﻟﺖ ﺗﻌﺪادي از‬

‫‪9‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻧﻘﺎط ﺑﻪ اﺷﺘﺒﺎه اﺳﺘﺨﺮاج ﻣﻲﮔﺮدﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در اﻳﻦ وﻇﻌﻴﺖ ﺗﻌﺪاد ﻧﻘﺎط ﺑﺪﺳﺖ آﻣﺪه از روش ﭘﻴﺸﻨﻬﺎدي ﺑﻴﺸﺘﺮ از ﺗﻌﺪاد‬ ‫واﻗﻌﻲ آنﻫﺎ در ﺗﺼﻮﻳﺮ اﺳﺖ ﻛﻪ ﻣﻮﺟﺐ اﻳﺠﺎد ﺧﻄﺎ در اﻟﮕﻮرﻳﺘﻢ ﻣﻲﮔﺮدد )ﺷﻜﻞ ‪4‬ب(؛ اﻣﺎ ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﺗﻌﺪاد‬ ‫اﻳﻦ ﺗﺼﺎوﻳﺮ ﺑﺴﻴﺎر ﻛﻤﺘﺮ از ﺗﺼﺎوﻳﺮي ﺑﻮده ﻛﻪ ﺑﺎ ﻣﻮﻓﻘﻴﺖ ﺟﺪاﺳﺎزي ﮔﺮدﻳﺪهاﻧﺪ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس اﮔﺮ ﻣﻴﺰان ﻣﻀﺮس ﺑﻮدن‬ ‫ﻟﺒﻪﻫﺎي ﺑﺎدام ﺑﺴﻴﺎر زﻳﺎد ﺑﺎﺷﺪ ﻣﻤﻜﻦ اﺳﺖ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي دﭼﺎر ﺧﻄﺎ ﮔﺮدد وﻟﻲ ﺑﺮاي ﺳﺎﻳﺮ ﺣﺎﻟﺖﻫﺎ ﻛﻪ ﻣﻴﺰان‬ ‫ﻣﻀﺮس ﺑﻮدن ﺑﺤﺮاﻧﻲ ﻧﺒﺎﺷﺪ‪ ،‬ﺑﺎ ﻣﻮﻓﻘﻴﺖ ﻋﻤﻞ ﺟﺪاﺳﺎزي اﻧﺠﺎم ﻣﻲﮔﻴﺮد‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺗﻨﻬﺎ‬ ‫ﺑﺮوي ﺗﺼﺎوﻳﺮ ﺑﺎﻳﻨﺮي ﺑﺎدام اﻋﻤﺎل ﻣﻲﮔﺮدد ﺑﻪ ﺳﺎدﮔﻲ ﻣﻲﺗﻮان آنرا ﺑﺮاي ﺳﺎﻳﺮ ﻣﺤﺼﻮلﻫﺎي ﻛﺸﺎورزي ﻧﻴﺰ ﻛﻪ ﻣﺸﻜﻞ ﺑﻪ‬ ‫ﻫﻢ ﭼﺴﺒﻴﺪه ﺷﺪن را در ﺧﻄﻮط ﺟﺪاﺳﺎزي دارﻧﺪ‪ ،‬ﭘﻴﺎدهﺳﺎزي ﻧﻤﻮد‪.‬‬ ‫اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺳﺎﺧﺘﺎر ‪ANN‬‬

‫ﭘﺲ از ﭘﻴﺎدهﺳﺎزي ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ ‪ ،ANN‬ﺑﺮاي اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺳﺎﺧﺘﺎر از ﺷﺎﺧﺺﻫﺎي ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤﺮاف ﻣﻌﻴﺎر‬ ‫دﻗﺖ ﻛﻞ ﻃﺒﻘﻪﺑﻨﺪي اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ﻧﺮونﻫﺎ ﺑﺮاي ﻻﻳﻪ ﻣﺨﻔﻲ ﻧﻴﺰ ﻳﻜﻲ از ﭘﺎراﻣﺘﺮﻫﺎي ﻣﻮﺛﺮ در ﻛﺎرﺑﺮد‬ ‫ﺷﺒﻜﻪ ﺑﺮاي ﺳﻴﺴﺘﻢﻫﺎي زﻣﺎن‪-‬واﻗﻌﻲ اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ از ﺑﻴﻦ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ ﺗﻚ ﻻﻳﻪ و دو ﻻﻳﻪ )در ﺷﺒﻜﻪ ﺗﻚ ﻻﻳﻪ‬ ‫ﺗﻌﺪاد ﻧﺮونﻫﺎ از ‪ 4‬ﺗﺎ ‪ 18‬ﻧﺮون ﺗﻐﻴﻴﺮ ﻛﺮد و در ﺣﺎﻟﺖ دو ﻻﻳﻪ ﺳﺎﺧﺘﺎرﻫﺎي ]‪ [18،18] ،... ،[5،5] ،[4،4‬ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار‬ ‫ﮔﺮﻓﺘﻨﺪ( ﻛﻪ ﺑﺎ ﺑﺮرﺳﻲ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ‪ ،‬ﺳﺎﺧﺘﺎر ]‪ [7،7‬ﺑﻬﺘﺮﻳﻦ ﻋﻤﻠﻜﺮد را ﺑﺪﺳﺖ آورد )ﻣﻴﺎﻧﮕﻴﻦ ‪ 94/31‬و اﻧﺤﺮاف‬ ‫ﻣﻌﻴﺎر ‪ 1/61‬درﺻﺪ ﺑﻮده اﺳﺖ؛ ﺑﺎ اﻟﮕﻮرﻳﺘﻢ آﻣﻮزﺷﻲ ﻟﻮﻧﺒﺮگ‪-‬ﻣﺎرﻛﻮارت(‪ .‬اﻳﻦ ﺳﺎﺧﺘﺎر ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﺳﺎﺧﺘﺎرﻫﺎي ﺷﺒﻜﻪ‬ ‫ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎﻻﺗﺮ و اﻧﺤﺮاف ﻣﻌﻴﺎر ﻛﻤﺘﺮي را داﺷﺘﻪ اﺳﺖ‪.‬‬

‫ﺷﻜﻞ ‪ .4‬ﺟﺪاﺳﺎزي ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه؛ اﻟﻒ( ﻗﺒﻞ از ﺟﺪاﺳﺎزي‪ ،‬ب( ﺑﻌﺪ از ﺟﺪاﺳﺎزي ﺑﺎ اﺳﺘﻔﺎده از روش ﭘﻴﺸﻨﻬﺎدي‪.‬‬

‫‪10‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻃﺒﻘﻪﺑﻨﺪي ﺑﺎدامﻫﺎ ﺑﺎ ‪ ANN‬اﻧﺘﺨﺎب ﺷﺪه‬ ‫ﭘﺲ از ﺳﺎﺧﺘﺎر ﺑﻬﻴﻨﻪ ‪ ،ANN‬از آن ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي ﺑﺎدامﻫﺎ ﺑﻪ ﭼﻬﺎر ﻛﻼس ﻣﺨﺘﻠﻒ ﺷﺎﻣﻞ ﺑﺎدام ﺳﺎﻟﻢ‪ ،‬ﺷﻜﺴﺘﻪ‪ ،‬ﭼﺮوﻛﻴﺪه‬ ‫و ﭘﻮﺳﺖ ﺑﺎدام اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﻪ ﻣﻨﻈﻮر ارزﻳﺎﺑﻲ ﻧﺘﺎﻳﺞ از ﺷﺎﺧﺺ دﻗﺖ )ﻣﻌﺎدﻟﻪ ‪ (6‬ﺑﻬﺮه ﮔﺮﻓﺘﻪ ﺷﺪ‪.‬‬ ‫ﻧﺘﺎﻳﺞ ﻣﺎﺗﺮﻳﺲ اﻏﺘﺸﺎش ﺑﺮاي ﺗﻤﺎﻣﻲ ﻛﻼسﻫﺎي ﺑﺎدام در ﺟﺪول ‪ 1‬آورده ﺷﺪه اﺳﺖ‪.‬‬

‫ﺟﺪول ‪ .1‬ﻣﺎﺗﺮﻳﺲ اﻏﺘﺸﺎش ﺑﺪﺳﺖ آﻣﺪه از ﻧﺘﺎﻳﺞ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺎ ﺳﺎﺧﺘﺎر ]‪ [7،7‬و اﻟﮕﻮرﻳﺘﻢ آﻣﻮزﺷﻲ ﻟﻮﻧﺒﺮگ‪ -‬ﻣﺎرﻛﻮارت‪.‬‬ ‫واﻗﻌﻲ‬ ‫ﭘﻴﺶﺑﻴﻨﻲ ﺷﺒﻜﻪ ﻋﺼﺒﻲ‬

‫ﭘﻮﺳﺖ ﺑﺎدام‬

‫ﭼﺮوﻛﻴﺪه‬

‫ﺷﻜﺴﺘﻪ‬

‫ﺳﺎﻟﻢ‬

‫‪0‬‬

‫‪2‬‬

‫‪0‬‬

‫‪38‬‬

‫ﺳﺎﻟﻢ‬

‫‪0‬‬

‫‪1‬‬

‫‪40‬‬

‫‪1‬‬

‫ﺷﻜﺴﺘﻪ‬

‫‪0‬‬

‫‪38‬‬

‫‪0‬‬

‫‪1‬‬

‫ﭼﺮوﻛﻴﺪه‬

‫‪39‬‬

‫‪0‬‬

‫‪0‬‬

‫‪0‬‬

‫ﭘﻮﺳﺖ ﺑﺎدام‬

‫در اداﻣﻪ ﻣﻘﺪار ﺷﺎﺧﺺ آﻣﺎري ﻧﺮخ ﻃﺒﻘﻪﺑﻨﺪي ﺻﺤﻴﺢ )‪ (CCR‬را ﻛﻪ از ﻣﺎﺗﺮﻳﺲ اﻏﺘﺸﺎش ﺑﺪﺳﺖ آﻣﺪه‪ ،‬ﻣﺤﺎﺳﺒﻪ ﻛﺮده و‬ ‫ﻧﺘﺎﻳﺞ آن در ﺟﺪول )‪ (2‬آﻣﺪه اﺳﺖ‪ .‬ﻫﻤﺎنﻃﻮر ﻛﻪ ﻣﺸﺎﻫﺪه ﻣﻲﺷﻮد‪ ،‬ﭘﺎﻳﻴﻦﺗﺮﻳﻦ ﻋﻤﻜﺮد ﺑﺮاي ﻛﻼس ﺑﺎدام ﭼﺮوﻛﻴﺪه ﺑﺪﺳﺖ‬ ‫آﻣﺪ‬

‫)‪CCR‬‬

‫ﺑﺮاﺑﺮ ‪ 95‬درﺻﺪ ﺑﻮد(‪ .‬ﻋﻠﺖ آﻧﺮا ﻣﻲﺗﻮان در ﺗﺸﺎﺑﻪ اﻳﻦ ﻛﻼس ﺑﻪ ﻛﻼس ﺑﺎدام ﺳﺎﻟﻢ داﻧﺴﺖ ﻫﻤﺎنﻃﻮر ﻛﻪ در‬

‫ﺷﻜﻞ )‪ (1‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ اﻳﻦ ﻛﻼس از ﻧﻈﺮ ﺷﻜﻞ و رﻧﮓ ﺗﻘﺮﻳﺒﺎ ﺷﺒﻴﻪ ﺑﻪ ﻛﻼس ﺑﺎدام ﺳﺎﻟﻢ ﺑﻮده و ﺗﻨﻬﺎ در وﻳﮋﮔﻲ‪-‬‬ ‫ﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ ﺑﺎﻓﺖ ﻣﺤﺼﻮل ﺗﻤﺎﻳﺰ ﺑﻴﻦ اﻳﻦ دو ﻛﻼس )ﺑﺎدام ﺳﺎﻟﻢ و ﭼﺮوﻛﻴﺪه( ﺣﺎﺻﻞ ﻣﻲﮔﺮدد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻃﺒﻴﻌﻲ اﺳﺖ ﻛﻪ‬ ‫اﻳﻦ ﻛﻼس ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﻛﻼسﻫﺎي ﺑﺎدام ﻋﻤﻠﻜﺮد ﭘﺎﻳﻴﻦﺗﺮي داﺷﺘﻪ ﺑﺎﺷﺪ )زﻳﺮا ﺗﻨﻬﺎ وﻳﮋﮔﻲ ﺑﺎﻓﺖ ﺑﺮاي ﺟﺪاﺳﺎزي آن‬ ‫ﻧﻘﺸﻲ ﻣﻮﺛﺮ داﺷﺘﻪ اﺳﺖ و ﺳﺎﻳﺮ وﻳﮋﮔﻲﻫﺎ ﻛﻤﻜﻲ ﺑﻪ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي اﻳﻦ ﻛﻼس از ﺑﺎدام را ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ‬ ‫ﻛﻼسﻫﺎ ﻧﺪاﺷﺘﻪ اﺳﺖ(‪ .‬ﺑﺎﻻﺗﺮﻳﻦ ﻋﻤﻠﻜﺮد ﺑﺮاي ﻛﻼسﻫﺎي ﺑﺎدام ﺷﻜﺴﺘﻪ و ﭘﻮﺳﺖ ﺑﺎدام ﺑﺎ ﻣﻘﺎدﻳﺮ‬

‫‪CCR‬‬

‫ﺑﺮاﺑﺮ ﺑﺎ ‪100‬‬

‫درﺻﺪ ﺑﺪﺳﺖ آﻣﺪ؛ ﻛﻪ ﻋﻠﺖ اﺻﻠﻲ آن ﻣﺮﺗﺒﻂ ﺑﻮدن وﻳﮋﮔﻲﻫﺎي اﺳﺘﺨﺮاﺟﻲ در ﺷﻨﺎﺳﺎﻳﻲ و ﺟﺪاﺳﺎزي اﻳﻦ ﻛﻼسﻫﺎ از‬ ‫ﺳﺎﻳﺮ ﻛﻼسﻫﺎي ﺑﺎدام ﺑﻮده اﺳﺖ‪ .‬ﻧﻤﻮﻧﻪﻫﺎي ﺑﺎدام ﺷﻜﺴﺘﻪ در دو دﺳﺘﻪ ﺗﻘﺴﻴﻢﺑﻨﺪي ﻣﻲﮔﺮدﻧﺪ؛ ﻃﺒﻘﻪ اول ﺷﺎﻣﻞ ﻧﻤﻮﻧﻪﻫﺎﻳﻲ‬ ‫اﺳﺖ ﻛﻪ رﻧﮓ آنﻫﺎ ﺳﻔﻴﺪ ﺑﻮده ﻛﻪ ﻫﻤﻴﻦ ﻣﺴﺌﻠﻪ ﻣﻮﺟﺐ ﻣﻲﮔﺮدد وﻳﮋﮔﻲﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺮ رﻧﮓ ﺑﺎدام ﺑﻪ ﺗﻨﻬﺎﻳﻲ ﺑﺘﻮاﻧﻨﺪ اﻳﻦ‬ ‫ﻧﻤﻮﻧﻪﻫﺎ را از ﺳﺎﻳﺮ ﻛﻼسﻫﺎي ﺑﺎدام ﺟﺪا ﻧﻤﺎﻳﻨﺪ‪ .‬در ﻃﺒﻘﻪ دوم ﻧﻴﺰ ﺑﺎدامﻫﺎي ﺷﻜﺴﺘﻪاي ﻫﺴﺘﻨﺪ ﻛﻪ ﺷﻜﻞ آنﻫﺎ ﺑﻪ دﻟﻴﻞ‬ ‫ﺷﻜﺴﺘﮕﻲ ﻣﺮزﻫﺎﻳﺸﺎن ﻛﺎﻣﻼً ﻣﺘﻔﺎوت از ﺳﺎﻳﺮ ﻛﻼسﻫﺎي ﺑﺎدام اﺳﺖ؛ ﺑﻨﺎﻳﺮاﻳﻦ وﻳﮋﮔﻲﻫﺎي ﻣﺒﺘﻨﻲ ﺑﺎ ﺷﻜﻞ ﺑﺎدام ﺑﻪ ﺗﻨﻬﺎﻳﻲ‬ ‫ﻣﻲﺗﻮاﻧﺪ ﻧﻘﺶ ﺑﺎﻻﻳﻲ در دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي اﻳﻦ ﻧﻤﻮﻧﻪﻫﺎ داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻫﻤﻴﻦ اﺳﺘﺪﻻل ﻧﻴﺰ ﺑﺮاي ﻛﻼس ﭘﻮﺳﺖ ﺑﺎدام وﺟﻮد‬ ‫دارد اﻳﻦ ﻛﻼس داراي رﻧﮓ و ﺷﻜﻞ ﻣﺘﻔﺎوت ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﻛﻼسﻫﺎ اﺳﺖ؛ ﻋﻼوه ﺑﺮ اﻳﻦ داراي ﺳﺎﺧﺘﺎرﻫﺎي ﺑﺎﻓﺖ‬

‫‪11‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫‪ 2‬و ‪ 3‬اردﻳﺒﻬﺸﺖ ‪ - 1394‬ﻛﺮج‬

‫ﻣﺘﻔﺎوت ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﺮ اﻳﻦ اﺳﺎس دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي در اﻳﻦ دو ﻛﻼس ﺑﺴﻴﺎر ﺑﺎﻻ ﺑﺪﺳﺖ آﻣﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ اﺳﺘﻔﺎده از ﺗﺮﻛﻴﺐ اﻳﻦ‬ ‫وﻳﮋﮔﻲﻫﺎ ﺗﻮاﻧﺴﺘﻪ اﺳﺖ در دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي آن ﻧﻘﺶ ﻣﺜﺒﺘﻲ اﻳﻔﺎ ﻛﻨﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻧﺘﺎﻳﺞ ﻣﺎﺗﺮﻳﺲ اﻏﺘﺸﺎش و ﭘﺎراﻣﺘﺮﻫﺎي آﻣﺎري‬ ‫ﺑﺪﺳﺖ آﻣﺪه ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ اﺳﺘﻔﺎده از وﻳﮋﮔﻲﻫﺎي ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ و ﻳﻚ روش ﻃﺒﻘﻪﺑﻨﺪي ﻫﻮﺷﻤﻨﺪ ﻣﺎﻧﻨﺪ‬

‫‪ANN‬‬

‫ﻣﻲﺗﻮاﻧﺪ در درﺟﻪﺑﻨﺪي ﻛﻴﻔﻲ اﻳﻦ ﻣﺤﺼﻮل ﺑﺮ اﺳﺎس اﺳﺘﺎﻧﺪاردﻫﺎي ﺗﻌﺮﻳﻒ ﺷﺪه ﻣﻠﻲ ﻧﻘﺶ ﺑﺴﻴﺎر ﻣﻬﻢ و ﺗﺎﺛﻴﺮﮔﺬاري‬ ‫داﺷﺘﻪ ﺑﺎﺷﺪ و در ﻧﻬﺎﻳﺖ ﺑﺎﻋﺚ ﺗﻮﺳﻌﻪ ﺳﻴﺴﺘﻢﻫﺎي زﻣﺎن واﻗﻌﻲ ﻧﻈﻴﺮ دﺳﺘﮕﺎهﻫﺎي درﺟﻪ ﺑﻨﺪي و ﺳﻮرت ﺑﺎدام ﺷﻮد‪.‬‬

‫ﺟﺪول ‪ .2‬ﻧﺮخ ﻃﺒﻘﻪﺑﻨﺪي ﺻﺤﻴﺢ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﺑﺮاي ﺳﺎﺧﺘﺎر ]‪ [7،7‬و اﻟﮕﻮرﻳﺘﻢ آﻣﻮزﺷﻲ ﻟﻮﻧﺒﺮگ‪ -‬ﻣﺎرﻛﻮارت‪.‬‬ ‫ﻛﻼسﻫﺎي ﺑﺎدام‬ ‫ﭘﻮﺳﺖ ﺑﺎدام‬

‫ﭼﺮوﻛﻴﺪه‬

‫ﺷﻜﺴﺘﻪ‬

‫ﺳﺎﻟﻢ‬

‫ﺷﺎﺧﺺ آﻣﺎري‬

‫‪100‬‬

‫‪92/68‬‬

‫‪100‬‬

‫‪95/00‬‬

‫)‪CCR (%‬‬

‫ﻧﺘﻴﺠﻪﮔﻴﺮي ﻛﻠﻲ‬ ‫ﻃﺒﻘﻪﺑﻨﺪي ﻛﻴﻔﻲ ﻣﺤﺼﻮل ﺑﺎدام ﻧﻘﺶ ﻣﻮﺛﺮي در ارﺗﻘﺎي ﻛﻴﻔﻴﺖ آن دارد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در ﺗﺤﻘﻴﻖ ﺣﺎﺿﺮ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از روش‬ ‫ﻣﺪلﺳﺎزي‬

‫‪ANN‬‬

‫و اﺳﺘﻔﺎده از وﻳﮋﮔﻲﻫﺎي ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ‪ ،‬ﻣﺤﺼﻮل ﺑﺎدام ﺑﻪ ﭼﻬﺎر ﻛﻼس ﻣﺨﺘﻠﻒ ﺑﺮ اﺳﺎس‬

‫اﺳﺘﺎﻧﺪارد ﺗﻌﺮﻳﻒ ﺷﺪه‪ ،‬ﻃﺒﻘﻪﺑﻨﺪي ﮔﺮدﻳﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﻪ دﻟﻴﻞ اﺑﻌﺎد ﺑﺎﻻي اﻳﻦ وﻳﮋﮔﻲﻫﺎ از‬

‫‪PCA‬‬

‫ﺑﺮاي ﻛﺎﻫﺶ ﺑﻌﺪ آنﻫﺎ‬

‫اﺳﺘﻔﺎده ﮔﺮدﻳﺪ‪ .‬اﻣﺎ ﻳﻜﻲ از ﻣﺸﻜﻼت اﺻﻠﻲ در اﻳﻦ ﺗﺤﻘﻴﻖ وﺟﻮد ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه در ﺗﺼﺎوﻳﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﻮد ﻛﻪ‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روﺷﻲ ﺳﺎده ﻣﺒﺘﻨﻲ ﺑﺮ ﭘﺮدازش ﺗﺼﻮﻳﺮ ﺗﻌﺪاد زﻳﺎدي از ﺑﺎدامﻫﺎي ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه ﺑﺎ ﻣﻮﻓﻘﻴﺖ از ﻳﻜﺪﻳﮕﺮ ﺟﺪا‬ ‫ﮔﺮدﻳﺪﻧﺪ‪ .‬ﺳﺮاﻧﺠﺎم در ﺑﻴﻦ ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ‬

‫‪ANN‬‬

‫ﻛﻪ ﻣﻮرد ارزﻳﺎﺑﻲ ﻗﺮار ﮔﺮﻓﺖ ﺳﺎﺧﺘﺎر ‪ 18-7-7-4‬ﺑﺎ اﻟﮕﻮرﻳﺘﻢ‬

‫آﻣﻮزﺷﻲ ﻟﻮﻧﺒﺮگ‪-‬ﻣﺎرﻛﻮارت ﺑﻬﻴﻨﻪﺗﺮﻳﻦ ﺳﺎﺧﺘﺎر ﺑﻮده و ﻧﺘﺎﻳﺞ ﻧﺸﺎندﻫﻨﺪه ﺑﺎﻻ ﺑﻮدن دﻗﺖ اﻳﻦ ﺳﺎﺧﺘﺎر ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ‬ ‫ﺳﺎﺧﺘﺎرﻫﺎي ‪ ،ANN‬در درﺟﻪ ﺑﻨﺪب ﻛﻴﻔﻲ ﺑﺎدام ﺑﻮده اﺳﺖ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﻧﺘﺎﻳﺞ ﺑﺪﺳﺖ آﻣﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ ﻣﻲﺗﻮان ﻧﺘﻴﺠﻪ‬ ‫ﮔﺮﻓﺖ ﻛﻪ اﺳﺘﻔﺎده از ﺗﺮﻛﻴﺐ وﻳﮋﮔﻲﻫﺎي ﺷﻜﻞ‪ ،‬رﻧﮓ و ﺑﺎﻓﺖ در ﻓﻀﺎﻫﺎي رﻧﮕﻲ ﻣﺨﺘﻠﻒ و ﺑﻬﺮهﮔﻴﺮي از ﺗﻜﻨﻴﻚ ﻫﺎي‬ ‫ﻣﺨﺘﻠﻒ ﻫﻮش ﻣﺤﺎﺳﺒﺎﺗﻲ ﻧﻈﻴﺮ ‪ ANN‬و ‪ PCA‬در درﺟﻪﺑﻨﺪي ﻛﻴﻔﻲ ﺑﺎدام ﻧﻘﺶ ﺑﺴﻴﺎر ﻣﻮﺛﺮ و ﻣﻬﻤﻲ دارﻧﺪ‪.‬‬

‫‪12‬‬

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫ ﻛﺮج‬- 1394 ‫ اردﻳﺒﻬﺸﺖ‬3 ‫ و‬2

‫ﻣﺮاﺟﻊ‬ 1.

2. 3.

4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16.

17. 18. 19. 20.

Abdullah, M. Z., Mohamad-Saleh, J. Fathinul-Syahir, A. S. & Mohd-Azemi, B. M. N. 2006. Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system. Journal of Food Engineering. Vol 76(4), 506–523. Asada, H. & Brady, M. 1986. The curvature primal sketch. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol 8(1), 2-14. Castelo-Quispe, S., Banda-Tapia, J. D. Lopez-Paredes, M. N. Barrios-Aranibar, D. & Patino-Escarcina, R. 2013. Optimization of Brazil-Nuts Classification Process through Automation using Colour Spaces in Computer Vision. International Journal of Computer Information Systems and Industrial Management Applications. Vol 5, 623-630. Donis-Gonzalez, R., Guyer, D. E. Leiva-Valenzuela, G. A. & Burns, J. 2013. Assessment of chestnut (Castanea spp.) slice quality using color images. Journal of Food Engineering. Vol 115, 407-414. Food and Agriculture Organization. FAO statistical databases, 2011. Available at: www.faostat.fao.org. Haralick, R. M., Shanmugam, K. & Dinstein, I. 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics. Vol 6, 610–621. ISIRI, Specification and methods of test for unshelled almonds. Institute of Standards and Industrial Research of Iran. Document number 88. 1995. Available from: http://www.isiri.org/portal/files/std/88.htm. Leemans, V. & Destain, M. F. 2004. A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering. Vol 61, 83-89. Mebatsion, H. K. & Paliwal, J. 2011. A Fourier analysis based algorithm to separate touching kernels in digital images. Biosystems Engineering. Vol 108, 66–74. Mery, D., Pedreschi, F. & Soto, A. 2013. Automated design of a computer vision system for visual food quality evaluation. Food and Bioprocess Technology. Vol 6, 2093-2108. Mollazade, K., Omid, M. & Arefi, A. 2012. Comparing data mining classifiers for grading raisins based on visual features. Computers and Electronics in Agriculture. Vol 84, 124-131. Omid, M., Mahmoudi, A. & Omid, M. H. 2009. An intelligent system for sorting pistachio nut varieties. Expert Systems With Applications. Vol 36, 11528–11535. Otsu, N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics. Vol 9, 62-66. Pearson, T. & Toyofuku, N. 1999. Automated sorting of pistachio nuts with closed shells. Transactions of the ASAE, Vol 16(1), 91-94. Pearson, T. 1996. Machine vision system for automated detection of stained pistachio nuts. LebensmittelWissenschaft and Technolgie. Vol 29, 203–209. Qian, X. M., Zhu, H. Feng, C. L. Zhu, P. Li, H. Xin, W. & Cheng, G. 2004. An overlapping bubbles partition method in aerated water flows. In: Proceedings of the Third Conference on Machine Learning and Cybernetics, Vol. 6, Shanghai, China, August, pp. 3746–3750. Riquelme, M. T., Barreiro, P. Ruiz-Altisent, M. & Valero, C. 2008. Olive classification according to external damage using image analysi. Journal of Food Engineering. Vol 87, 371-379. Shatadal, P., Jayas, D. S. & Bulley, N. R. 1995. Digital image analysis for software separation and classification of touching grains. Transactions of the ASAE. Vol 38(2), 635–643. Sohn, K., Alexander, W. E. Kim, J. H. & Snyder, W. E. 1994. A constrained regularization approach to robust corner detection. IEEE Transactions on Systems, Man, and Cybernetics. Vol 24(5), 820–828. Zhang, G., Jayas, D. & White, D. G. 2005. Separation of touching grain kernels in an Image by ellipse fitting algorithm. Biosystems Engineering. Vol 92(2), 135–142.

13

‫ﻧﻬﻤﻴﻦ ﻛﻨﮕﺮه ﻣﻠﻲ ﻣﻬﻨﺪﺳﻲ ﻣﺎﺷﻴﻦﻫﺎي ﻛﺸﺎورزي‬ ‫)ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ( و ﻣﻜﺎﻧﻴﺰاﺳﻴﻮن‬ ‫ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊﻃﺒﻴﻌﻲ داﻧﺸﮕﺎه ﺗﻬﺮان‬ ‫ ﻛﺮج‬- 1394 ‫ اردﻳﺒﻬﺸﺖ‬3 ‫ و‬2

Separation of touching almonds and their quality classification by combining image processing and artificial neural networks techniques

Abstract: The quality evaluation of agricultural products is one of the key factors in promoting their quality. In this study, a method based on combined image processing technique and artificial neural network was presented. Separation of touching almonds under different positions is a very important step in design of grading devices. In this study, an image processing algorithm based on extracting critical points in the image of almonds and drawing segmentation lines between them is presented. Then segmentation lines were drawn correctly with high accuracy. In the next step, the feature vector which includes 6 shape features, 36 color features and 36 texture features was composed. PCA method was used to reduce the dimension of the feature vector. The quality classification of almond in different classes was carried out by artificial neural networks (ANNs). Among different ANN structures, the 18-7-7-4 topology was the most optimum classifier (total accuracy was obtained 96.92%). Keywords: Touching almond; Quality classification; ANNs; Color features; Texture features.

14

Suggest Documents