فهرست نشریات علمی دسترسی آزاد ایران

در زمان برداشت نخود، انواع مختلفی از ناخالصی‌ها در محصول وجود دارد که لازم است پیش از عرضه به بازار، شناسایی و جداسازی شوند. اگرچه بخش زیادی از این ناخالصی‌های براحتی قابل حذف هستند، اما جداسازی مواردی مانند سنگ‌ریزه‌های هم‌اندازه نخود یا نخودهای نارس و بدرنگ با روش‌های مرسوم امکان‌پذیر نیست. هدف این پژوهش، تشخیص نوع و تعیین موقعیت ناخالصی‌های مختلف نخود با استفاده از دو مدل هوشمند ماشین‌بردار پشتیبان  (SVM) و K نزدیک‌ترین همسایه (KNN)  است. برای این منظور، 400 تصویر RGB تهیه شد که هر کدام از تصویرها شامل شش کلاس نخود سالم، سبز، سیاه، رنگی، سنگ و لپه بودند. برای شناسایی نوع کلاس هر کدام از اشیای موجود در تصویر و استخراج ویژگی‌ها، بعد از تعیین موقعیت مکانی، هر یک از 6 کلاس از تصاویر اصلی جدا گردیدند و به صورت مجزا در 6 دسته مختلف طبقه‌بندی شدند. با این عملیات، در مجموع کل تعداد تصاویر اشیا به 3840 رسید. ویژگی‌هایی شامل میانگین، میانه، واریانس، چولگی، هیستوگرام، آنتروپی و نیز ویژگی‌های بافتی حاصل از ماتریس هم‌وقوع سطح خاکستری شامل کنتراست، همبستگی، انرژی و همگنی استخراج شد. در مدل SVM، تابع RBF بهترین عملکرد را در مقایسه با توابع دیگر نشان داد. در مدل KNN نیز بهترین نتایج با 13k=، معیار فاصله City Block و وزن‌دهی (c+D²)/1 با 1c=  حاصل شد. تعیین موقعیت مکانی اشیا بر اساس مختصات مرکز آن‌ها در محیط MATLAB انجام گرفت. بر اساس نتایج، بیشترین دقت مدل‌های SVM و KNN در رزولوشن 250×250 به ترتیب برابر با 09/98 و 88/90 درصد به‌دست آمد.