دوره 17، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 17 شماره 1 1399 )
جلد 17 شماره 1 صفحات 21-11 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mavaddati S, Mavaddati S. Rice Classification and Quality Detection Based on Sparse Non-Negative Matrix Factorization. Journal of Iranian Association of Electrical and Electronics Engineers 2020; 17 (1) :11-21
URL: http://jiaeee.com/article-1-719-fa.html
URL: http://jiaeee.com/article-1-719-fa.html
مودّتی سمیرا، مودّتی سینا. دسته‌بندی و تعیین اصالت ارقام برنج به کمک الگوریتم فاکتورگیری ماتریس غیر منفی تنک. نشریه مهندسی برق و الکترونیک ایران. 1399; 17 (1) :11-21
دانشگاه مازندران
چکیده: (3475 مشاهده)
چکیده: 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 دسته‌بندی 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.
واژه‌های کلیدی: شناسایی ارقام برنج، اصالت برنج، فاکتورگیری ماتریس غیر منفی تنک، شبکه عصبی، ماشین بردار پشتیبان.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
