فهرست نشریات علمی دسترسی آزاد ایران

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.