امكان سنجي توانايي شبكه عصبي مصنوعي و الگوريتم‌هاي ژنتيك در طبقه بندي اجزاي توده دانه گندم به كمك پردازش ويديو

وجود انواع ناخالصي ها در زمان برداشت گندم از عوامل مهم در افت كيفيت گندم است در نتيجه تشخيص ناخالصي‌هاي توده دانه گندم ضروري به نظر مي‌رسد. در اين مطالعه به بررسي امكان شناسايي گندم در توده دانه گندم و تخمين ميزان ناخالصي موجود در توده، مبتني بر پردازش ويديو به كمك دو نوع الگوريتم شبكه عصبي مصنوعي (ANN) و همچنين هيبريد الگوريتم ژنتيك پرداخته شده است. پس از تهيه ويديوي حركت توده بر روي تسمه نقاله، با استفاده از نرم افزار MATLAB و جعبه ابزار پردازش تصوير، 17 ويژگي شكلي، 12 ويژگي رنگي و 6 ويژگي بافتي از هر نمونه دانه موجود در تصوير استخراج شد. داده‌هاي بدست آمده از بخش پردازش تصوير به پنج دسته گندم، جو، يولاف، كاه كلش، بذر علف هرز طبقه بندي شدند. از دو نوع الگوريتم شبكه عصبي مصنوعي (ANN) پيش‌خور (newff) و پس‌خور (newcf) و هيبريد الگوريتم ژنتيك براي دستيابي به بالاترين دقت طبقه‌بندي و كمترين مقدار خطا استفاده شد. نتايج نشان داد از 36 ساختار مختلف شبكه عصبي مصنوعي (ANN)، ساختار 5- 4 -10 -35 براي الگوريتم newff با دقت 100 و 89.74 درصد به ترتيب براي شرايط آموزش و تست و با زمان پردازش 10.39 ثانيه و ساختار 5 8 10 35 براي الگوريتم newcf با دقت 100 درصد براي شرايط آموزش و 87.17 درصد براي شرايط تست و با زمان پردازش 44.94 ثانيه بدست آمد. نتايج حاصل از هيبريد الگوريتم GA نشان داد بالاترين دقت طبقه‌بندي به ترتيب داراي 95.55 درصد و 86.66 درصد براي آموزش و تست و در ساختاري كه در آن از 8 نرون در لايه مخفي با اندازه جمعيت 200 استفاده شده بود، حاصل شد. با توجه به نتايج بدست آمده، استفاده از پردازش ويديو به كمك شبكه عصبي مصنوعي ANN و الگوريتم newff با توجه به دقت بالا و زمان محاسبات پايين تر ابزار توانمندي براي شناسايي ناخالصي هاي توده دانه گندم است. اﻣﮑﺎن ﺗﺸﺨﯿﺺ ﻧﺎﺧﺎﻟﺼﯽ ﻫﺎي ﺗﻮده داﻧﻪ ﮔﻨﺪم ﺑﻪ ﮐﻤﮏ ﭘﺮدازش وﯾﺪﯾﻮ و ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﺳﺮﻋﺖ ﺑﺎﻻ و دﻗﺖ ﻣﻨﺎﺳﺐ ﺑﺎﻋﺚ ﺗﺴﻬﯿﻞ در درﺟﻪ ﺑﻨﺪي ﺗﻮده داﻧﻪ ﮔﻨﺪم ﺑﻪ روش ﻏﯿﺮ ﻣﺨﺮب و ﺳﺮﯾﻊ ﻣﯽ ﺷﻮد ﮐﻪ ﻋﺎﻣﻞ اﺻﻠﯽ در ﻗﯿﻤﺖ ﮔﺬاري ﺻﺤﯿﺢ ﻣﺤﺼﻮل اﺳﺖ. از ﺳﻮي دﯾﮕﺮ ﻣﯿﺰان ﻧﺎﺧﺎﻟﺼﯽ ﻫﺎي ﻣﺨﺮب ﻣﻮﺟﻮد در ﺗﻮده داﻧﻪ در ﻣﺪت زﻣﺎن اﻧﺒﺎرﻣﺎﻧﯽ ﺗﺎﺛﯿﺮ ﮔﺬار اﺳﺖ ﮐﻪ روش ﻫﺎي ﻣﻌﺮﻓﯽ ﺷﺪه در اﯾﻦ ﺗﺤﻘﯿﻖ در اﯾﻦ ﻣﻮﺿﻮع ﻧﯿﺰ ﮐﺎرﺑﺮد ﺧﻮاﻫﺪ داﺷﺖ.