Detection five varieties of Chickpea using image processing and hybrid artificial neural network particle swarm optimization classifier

Sabzi, Sajad and Abbaspour-Gilandeh, Yousef and Razavi, Mahsa (2017) Detection five varieties of Chickpea using image processing and hybrid artificial neural network particle swarm optimization classifier. In: 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017, Ardabil, Iran.

[img] Text
C-00140-AC-2.pdf

Download (573kB)
Official URL: http://www.uma.ac.ir

Abstract

Chickpea (Cicer arietinum) is one of crops with high protein that have high consumption in Iran and world. There are five popular species of chickpeas in Iran: Adel, Arman, Azad, Bevanij and Hashem. Each type has a price and special applications in food industry. A machine vision system for chickpea classification, alternative to the traditional manual methods, would be able to increase accuracy and speed in packing. In order to design the classifiers for this system, samples of these five species were prepared from Kermanshah. 1019 images were taken using an industrial camera DFK23GM021 (CMOS, 120 fps) from a 10 cm fixed height above the samples level. Lighting was performed by white color LED lamps with intensity of 327 lx. From each image 126 color-based, and 80 texture-based on the gray level co-occurrence matrix (GLCM) were extracted. Using hybrid artificial neural network particle swarm optimization (ANN-PSO) 6 effective features were selected: information measure of correlation related to neighborhood 135º angle, diagonal moment related to neighborhood 90º angle, sum variance related to neighborhood 0º angle, inverse difference moment normalized related to neighborhood 0º angle, mean of the second component in CMY color space, and mean normalized of the second component in CMY. In final results show that the accuracy of hybrid ANN-PSO was 98.04 %.

Item Type: Conference or Workshop Item (Poster)
Persian Title: تشخیص پنج رقم مختلف نخود با استفاده از پردازش تصویر و طبقه‌بند هیبرید شبکه عصبی مصنوعی – الگوریتم بهینه‌سازی ازدحام ذرات
Persian Abstract: نخود یکی از محصولات با پروتئین بالا می‌باشد که مصرف گسترده‌ای در ایران و جهان دارد. پنج رقم متداول نخود در ایران عبارتند از عادل، آرمان، آزاد، بیونیج و هاشم. هر رقم قیمت و کاربرد مختلفی در صنعت غذایی دارد. یک سیستم ماشین بینایی برای طبقه‌بندی نخود، جایگزین روش دستی، قادر به افزایش دقت و سرعت بسته‌بندی می‌باشد. به‌منظور طراحی طبقه‌بند برای این سیستم، نمونه‌های این پنج رقم از کرمانشاه تهیه شدند. 1019 نمونه تصویر با استفاده از دوربین صنعتی DFK23GM021 (CMOS, 120 fps) قرار گرفته شده در ارتفاع 10 سانتی‌متری روی نمونه‌ها تهیه شدند. روشنایی با استفاده از LED‌های سفید رنگ با شدت نور 327 لوکس تأمین شد. از هر تصویر 126 خصوصیت رنگی و 80 خصوصیت مربوط‌به ماتریس هم‌وقوعی سطح خاکستری استخراج شد. با استفاده از روش هیبرید شبکه عصبی مصنوعی- الگوریتم بهینه‌سازی ازدحام ذرات 6 خصوصیت مؤثر شامل اطلاعات اندازه همبستگی 1مربوط‌به زاویه همسایگی 135 درجه، مومنت قطری مربوط‌به زاویه همسایگی 90 درجه، مجموع واریانس مربوط‌به زاویه همسایگی 0 درجه، مومنت اختلاف معکوس نرمال‌شده مربوط‌به زاویه همسایگی 0 درجه، میانگین کانال دوم فضای رنگی CMY و میانگین نرمال شده کانال دوم فضای رنگی CMY انتخاب شدند. در نهایت نتایج نشان داد که دقت سیستم طبقه‌بند هیبرید شبکه عصبی مصنوعی- الگوریتم بهینه‌سازی ازدحام 04/98 درصد بود.
Subjects: Divisions > Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Divisions: Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Subjects > Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Date Deposited: 25 Nov 2018 12:33
Last Modified: 11 Dec 2018 22:57
URI: http://repository.uma.ac.ir/id/eprint/3607

Actions (login required)

View Item View Item