درجه‌بندي كيفي آلو خشك با استفاده از سامانه بينايي رايانه‌اي و الگوريتم‌ هاي يادگيري ماشين

آلو يكي از ميوه هاي پرخاصيت و محبوب در كشور ايران محسوب مي شود. بسته به كيفيت ميوه تازه قبل از برداشت و چگونگي فرايند خشك شدن، درجات كيفي مختلفي از اين ميوه به صورت آلو خشك توليد مي شود. در اين پژوهش از يك سامانه بينايي رايانه اي و الگوريتم هاي يادگيري ماشين به منظور طبقه بندي آلو خشك به سه درجه كيفي مختلف استفاده شد. ويژگي هاي مختلف رنگي، شكلي و بافتي از تصاوير نمونه هاي آلو خشك استخراج شدند و به صورت مجزا و در تركيب با همديگر براي توسعه الگوريتم هاي طبقه بندي شبكه هاي عصبي پرسپترون چندلايه (MLP)، ماشين بردار پشتيبان (SVM)، تحليل تفكيكي خطي (LDA)، و درخت تصميم (DT) استفاده شدند. به منظور كاهش تعداد ويژگي ها و استخراج ويژگي هاي مهم تر از روش انتخاب ويژگي انتخاب ويژگي مبتني بر همبستگي (CFS) استفاده شد. نتايج نشان داد كه تركيب ويژگي هاي مختلف استخراج شده از تصوير در مقايسه با ويژگي هاي رنگي، بافتي يا مورفولوژيكي به صورت مجزا، باعث افزايش عملكرد طبقه بندي مي شود. در اين راستا، مدل DT از نوع جنگل تصادفي (RF) با استفاده از تركيب ويژگي هاي تصوير و الگوريتم انتخاب ويژگي CFS داراي بيشترين صحت طبقه بندي در مراحل آموزش و ارزيابي بود. مقادير مجذور ميانگين مربعات خطا (RMSE) و صحت مدل CFS-DT به ترتيب در مرحله آموزش برابر با 0.1958 و 93.75 درصد، و در مرحله ارزيابي برابر با 0.2110 و 91.67 درصد به دست آمدند. با توجه به اين عامل هاي عملكردي و ماهيت سامانه هاي بينايي رايانه اي، مي توان از نتايج حاصل از اين پژوهش جهت توسعه يك سامانه دقيق، سريع و ارزان جهت درجه بندي كيفي آلو خشك استفاده كرد.