Study of feasibility for discrimination of common varieties of Iranian rice with digital image processing and computational intelligence

Molaee, Amir and Abbaspour-Gilandeh, Yousef and Rasooli-Sharabiani, Vali and Rahimi-Ajdadi, Fatemeh (2015) Study of feasibility for discrimination of common varieties of Iranian rice with digital image processing and computational intelligence. Masters thesis, University of Mohaghegh Ardabili.

[img] Text (بررسی امکان تشخیص ارقام متداول برنج ایرانی با پردازش تصویر دیجیتالی و هوش محاسباتی)
Amir Molaee.pdf

Download (637kB)
Official URL: http://www.uma.ac.ir

Abstract

Each variety has own special advantages; so variety recognition or ensuring from validity of presented variety is very important in all farming stages and most importantly in postharvest stage; because it is effective immediately in harvested yield and the quality of processed products. Available techniques for rice variety identification are time consuming and expensive; also there are destructive. So study and presentation of new methods sounds necessary. Therefor the aim of this reaserch was extraction of color, morphological and texture properties for thirteen common varieties of Iranian rice and classification them using computational intelligence. In this research, digital images of twelve common rice varieties in Iran acquisitioned at three states including paddy, brown rice and white rice. After the preprocessing and segmentation processes on images using MATLAM software ninety two properties extracted for each rise seed; contain sixty color properties, fourteen morphological properties and eighteen texture properties. After checking for normality of data, probability of significant of differences between varieties evaluted by analysis of variance (ANOVA) for all properties; and used from least significant difference(LSD) test to compare varieties with more accurate. Principal component analysis(PCA) used for reduction of data dimensions and concentrate on effective components in varieties identification. Separating accuracy of paddy, brown rice and white rice varieties using discriminant analysis (DA) was obtained 89.2%, 87.7% and 83.1% respectively. A multi-layer perceptron neural network desiged based on principal components for identification and classification of rice varieties, and it has trained with levenberg-marquardt algorithm. Resultes show that this artificial neural network classified all varieties in accuracy of 100% with the regression coefficient of 0.9998. So it can be said that combining image processing techniques with different pattern recognition methods shch as statistics classifiers and artificial neural networks is very useful in identification and classification of rice varieties.

Item Type: Thesis (Masters)
Persian Title: بررسی امکان تشخیص ارقام متداول برنج ایرانی با پردازش تصویر دیجیتالی و هوش محاسباتی
Persian Abstract: هر رقم برنج برتری¬های ویژه¬ی خود را دارد؛ به طوری که شناخت رقم و یا اطمینان از صحت رقم معرفی شده در تمام مراحل زراعی و مهم¬تر از آنها در مراحل پس از برداشت بسیار مهم است؛ زیرا به طور مستقیم در عملکرد محصول برداشت شده و نیز عملکرد محصول فرآوری شده تأثیرگذار است. روش¬های موجود برای شناسایی ارقام برنج وقت¬گیر و هزینه¬بر بوده و مخرب هستند. لذا بررسی و ارائه¬ی روش¬های نوین ضرورت می¬یابد. از این رو هدف از انجام این پژوهش استخراج ویژگی¬های رنگی، مورفولوژیکی و بافتی ارقام متداول برنج در ایران و دسته¬بندی ارقام بر اساس این ویژگی¬ها با استفاده از ابزارهای هوش محاسباتی است. در این پژوهش تصاویر دیجیتالی دانه¬های سیزده رقم برنج متداول در ایران در سه حالت شلتوک، برنج قهوه¬ای و برنج سفید تهیه شد و پس از انجام عملیات پیش¬پردازش و قطعه¬بندی تصاویر با استفاده از نرم¬افزار MATLAB، برای هر دانه¬ی برنج نودودو ویژگی شامل شصت ویژگی رنگی، چهارده ویژگی مورفولوژیکی و هجده ویژگی بافتی استخراج شد. پس از بررسی نرمال بودن توزیع داده¬ها، احتمال معنی¬داری تفاوت بین ارقام در تمام ویژگی¬ها با استفاده از تحلیل واریانس بررسی شد و از آزمون حداقل اختلاف معنی¬دار برای مقایسه¬ی دقیق¬تر ارقام استفاده گردید. برای کاهش ابعاد داده¬ها و تمرکز بر روی مؤثرترین مؤلفه¬ها در شناسایی ارقام از روش تحلیل مؤلفه¬های اصلی (PCA) استفاده شد. دقت جداسازی ارقام برنج با استفاده از روش تحلیل تشخیصی (DA) برای ارقام شلتوک، برنج قهوه¬ای و برنج سفید به ترتیب برابر با 2/89%، 7/87% و 1/83% به دست آمد. برای شناسایی و دسته¬بندی ارقام مورد نظر یک شبکه¬ی عصبی پرسپترون چندلایه بر اساس مؤثرترین مؤلفه¬ها طراحی گردید و فرآیند آموزشی آن با استفاده از الگوریتم لِوِنبِرگ ـ مارکوارت انجام شد. نتایج نشان داد که این شبکه¬ی عصبی مصنوعی همه¬ی ارقام مورد نظر را با دقت دسته¬بندی 100% و با ضریب تبیین مدل رگرسیونی 9998/0 دسته¬بندی نماید. بنابراین می¬توان گفت برای شناسایی و دسته¬بندی ارقام برنج می¬توان از ترکیب فنون پردازش تصویر و انواع روش¬های تشخیص الگو مانند دسته¬بندهای آماری و شبکه¬های عصبی مصنوعی به طور موفقیت¬آمیزی استفاده کرد.
Supervisor:
SupervisorE-mail
Abbaspour-Gilandeh, YousefUNSPECIFIED
Advisor:
AdvisorE-mail
Rasooli-Sharabiani, ValiUNSPECIFIED
Rahimi-Ajdadi, FatemehUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 16 Nov 2018 10:28
Last Modified: 16 Nov 2018 10:28
URI: http://repository.uma.ac.ir/id/eprint/1886

Actions (login required)

View Item View Item