Pourdarbani, Razieh and Sabzi, Sajad and Kalantari, Davood Non-Destructive Estimation of Different Maturity Stages of Fuji Apples Using a Combination of Spectral Data and Majority Voting Method Based on Different Hybrids of Artificial Neural Network. University of Mohaghegh Ardabili.
![]() |
Text
5گزارش نهایی طرح.pdf Download (995kB) |
Abstract
Non-destructive determination of different stages of fruit ripening has several advantages such as selective robotic harvesting or doing fertilizing operation depending on the stage of ripening. In this regards, the purpose of the present study was to investigate the non-destructive estimation of different ripening stages of Fuji apple using color and spectral data. Majority voting method based on five hybrid artificial neural network classifiers namely genetic algorithm, particle swarm optimization algorithm, firefly algorithm, support vector machine, and k-nearest algorithm. The inputs of classifiers consisted of color data including the second channel of L*a*b* color space and the hue angle and the spectral data including wavelength ranging from 465 to 485 nm, 675 to 700 nm and 870 to 890 nm. To evaluate the reliability of the majority voting method, classification procedure was performed in 1000 iterations. The results stated that in the best state of training and using different types of inputs, the correct classification rate of the majority voting method was 100%. The correct classification rate of the majority voting method using different input data including color data, spectral data of 465 to 485 nm, 675 to 700 nm and 870 to 890 nm were 95.12%, 99.37%, 97.56% and 97.80% respectively.
Item Type: | Other |
---|---|
Persian Title: | تخمین غیرمخرب مراحل مختلف رسیدگی سیب رقم فوجی با استفاده از ترکیب دادههای طیفی و روش رایگیری اکثریت مبتنیبر هیبریدهای مختلف شبکه عصبی مصنوعی |
Persian Abstract: | تعیین غیر مخرب مراحل مختلف رسیدگی میوهها دارای مزایای مختلفی میباشد که از جمله میتوان به برداشت مکانیزه یا به عبارتی برداشت توسط رباتها اشاره کرد. از دیگر مزایا این میباشد که میتوان براساس مرحله رسیدگی، عملیاتهای مختلف در مرحله داشت مانند تزریق کود و مواد تقویتی را انجام داد. بههمین دلیل هدف از تحقیق جاری تخمین غیر مخرب مراحل مختلف رسیدگی سیب رقم فوجی با استفاده از دادههای زنگی و طیفی میباشد. از روش رایگیری اکثریت مبتنیبر پنج طبقهبند هیبرید شبکه عصبی مصنوعی – الگوریتم ژنتیک، هیبرید شبکه عصبی مصنوعی – الگوریتم بهینهسازی ازدحام ذرات، هیبرید شبکه عصبی مصنوعی – الگوریتم کرم شبتاب، ماشین بردار پشتیبان و k- نزدیکترین همسایگی بهمنظور انجام عملیات طبقهبندی استفاده شد. دادههای رنگی ورودی به طبقهبندها عبارت بودند از کانال دوم فضای رنگی L*a*b* و زاویه فام. دادههای طیفی استفاده شده در این مقاله مربوطبه سه بازهی طول موجی مختلف شامل 465 تا 485 نانومتر، 675 تا 700 نانومتر و 870 تا 890 نانومتر بودند. بهمنظور بررسی قابلیت اعتماد روش رایگیری اکثریت، عملیات طبقهبندی 1000 تکرار انجام شد. نتایج نشان داد در بهترین حالت آموزش و با استفاده از انواع مختلف ورودی اشاره شده، نرخ طبقهبندی صحیح روش رایگیری اکثریت 100 درصد بود. نرخ طبقهبندی صحیح روش رایگیری اکثریت با استفاده از دادههای ورودی مختلف شامل دادههای رنگی، دادههای طیفی مربوطبه 465 تا 485 نانومتر، 675 تا 700 نانومتر و 870 تا 890 بهترتیب عبارتند از 12/95 درصد، 37/99 درصد، 56/97 درصد و 80/97 درصد. |
Subjects: | Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources |
Divisions: | Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources |
Date Deposited: | 08 Nov 2020 09:44 |
Last Modified: | 08 Nov 2020 09:44 |
URI: | http://repository.uma.ac.ir/id/eprint/12201 |
Actions (login required)
![]() |
View Item |