شناسايي و طبقه بندي سه رقم برنج ايراني در نمونه هاي مخلوط مبتني بر ويژگيهاي شكلي با استفاده از پردازش تصوير و شبكه عصبي بردار يادگير چندي ساز

Identification and classification of three Iranian rice seed varieties in mixed samples by morphological features using image processing and Learning Vector Quantization neural network

با توجه به ارزش اقتصادي متفاوت ارقام برنج، گزارشات نشان دهنده اين هستند كه احتمال اختلاط ارقام مختلف در بازار وجود دارد. استفاده از تكنيك هاي پردازش تصوير و شبكه هاي عصبي براي طبقه بندي ارقام برنج، روشي است كه مي تواند دقت فرآيند طبقه بندي را افزايش دهد. در اين مطالعه چند ويژگي شكلي از تصاوير دانه ها بررسي شدند تا كارآيي آنها در شناسايي سه رقم برنج ايراني (طارم (محلي)، فجر، شيرودي) در نمونه هاي مخلوط اين سه رقم ارزيابي شود. در مجموع 666 تصوير از دانه هاي برنج (222 تصوير از هر رقم) در شرايط نورپردازي ثابت گرفته شد و 17 ويژگي شكلي از تصاوير دانه ها استخراج شد. روشهاي ضريب فيشر (FC)، تحليل اجزاي اصلي (PCA) و تركيبي از اين دو روش (FC-PCA) براي انتخاب ويژگي هايي كه بيشترين تاثير را در دسته بندي و شناسايي ارقام دارند به كار برده شدند. براي طبقه بندي نمونه هاي برنج در سه كلاس مختلف از شبكه ي عصبي بردار يادگير چندي ساز (LVQ4) استفاده شد. دقت طبقه بندي LVQ4، به ترتيب براي سه رقم فجر، شيرودي و طارم 87/98، 100 و 100% ، براي دو رقم فجر و شيرودي 100 و 100%، براي دو رقم طارم و شيرودي 100 و 100% و براي دو رقم فجر و طارم 62/97 و 74/95% بود. اين نتايج نشان مي دهند كه روش پردازش تصوير ابزاري مناسب براي تشخيص و جداسازي ارقام مختلف برنج است.

Due to variation in economic value of different varieties of rice, reports indicating the possibility of mixing different varieties on the market. Applying image processing and neural networks techniques to classify rice varieties is a method which can increase the accuracy of the classification process in real applications. In this study, several morphological features of rice seeds’ images were examined to evaluate their efficacy in identification of three Iranian rice varieties (Tarom (Mahali), Fajr, Shiroodi) in the mixed samples of these three varieties. On the whole, 666 images of rice seeds (222 images of each variety) were acquired at a stable illumination condition and totally, 17 morphological features were extracted from seed images. Fisherʹs coefficient (FC), Principal component analysis (PCA) methods and a combination of these two methods (FC-PCA) were employed to select and rank the most significant features for the classification. The so called LVQ4 (Learning Vector Quantization) neural network classifier was employed for classification using top selected features. The classification accuracy of 98.87, 100 and 100% for Fajr, Tarom and Shiroodi, 100 and 100% for Fajr and Shiroodi, 100 and 100% for Tarom and Shiroodi and 97.62 and 95.74% for Fajr and Tarom were obtained, respectively. These results indicate that image processing is a promising tool for identification and classification of different rice varieties.