Discrimination of Sunn Pest-Damaged samples from sound wheat kernals using physical properties, mechanical and light characteristics by computational intelligence

Basati, Zahra and Rasekh, Mansour and Abbaspour-Gilandeh, Yousef (2018) Discrimination of Sunn Pest-Damaged samples from sound wheat kernals using physical properties, mechanical and light characteristics by computational intelligence. Doctoral thesis, University of Mohaghegh Ardabili.

[img] Text
Zahra Basati.pdf

Download (404kB)
Official URL: http://www.uma.ac.ir

Abstract

Research Aim: Wheat is one of the most important strategic crops in Iran and in the world. The presence of sunn pest-damaged grains in wheat mass reduces the price of the product and the quality of its final product, which is bread. Therefore, identifying sunn pest-damaged and healthy grain wheat to determine the grading of wheat in terms of a sunn pest-damaged is important The aim of the present study was to identify more accurate healthy and sunn pest-damaged wheat by measuring physical and mechanical properties and also the capability of optical methods such as image processing methods using computational intelligence and spectrophotometric methods based on methods Pattern recognition. Research method: In this research the some physical properties of wheat grains of Azar cultivar, including: size, projected area, geometric mean diameter, spherisity coefficient, true density, bulk density, porosity, grain weight, terminal velocity and static coefficient of friction at different moisture levels (9, 11.5, 14 and 16.5% w.b.) were examined. The mechanical properties (rupture energy, toughness and apparent elastic coefficient) were determined under compressive loading, with four levels of loading velocity (5, 15, 25 and 35 mm.min–1) and four levels of moisture content (9, 11.5, 14 and 16.5% w.b.) in both bug-damaged and healthy wheat grains. In this research, digital images of healthy and sunn pest-damaged wheat grains of Azar cultivar acquisitioned at four levels of moisture content (9, 11.5, 14 and 16.5% w.b.) and two lighting colours (yellow light, the composition of yellow and white lights). After preprocessing and segmentation of images, 25 features including 9 colour features, 10 morphological features, and 6 textual statistical features were extracted. Using feature selection methods in the WEKA soft-ware and the CfsSubsetEval evaluator, 11 features were chosen as inputs of classifiers. For detection of the sunn pest-damaged of wheat samples from healthy samples, capabilities of Vis/NIR spectroscopy in the range of 350 to 1000 nm based on both methods of supervised and unsupervised pattern recognition techniques were investigated. Findings: The results showed that there was a significant difference between healthy and sunn pest-damaged wheat grains in terms of their physical properties. The rupture force healthy of grains was higher than that of the sunn pest-damaged ones at each level of moisture content. The deformation in the rupture point of sunn pest-damaged grains is higher than that of the healthy grains. There is significant difference in the mean value of apparent elastic coefficient between the sunn pest-damaged grains (74.779 MPa) and the healthy ones (289.071 MPa). Regarding the general conditions of two colors of lighting and four levels of moisture content, the precision, sensitivity, specificity and accuracy of hybrid artificial neural network - firefly algorithm (ANN-FA) classifier were 87, 86.80, 86.80 and %86.87, respectively. In general, by comparing each of the statis¬tical criterion of the six classification methods, it can be concluded that the ANN-FA classifier has a better performance than that held by the other classifiers. But the statistical classification k-nearest neighboring with the precision of 75.41% had the lowest performance in the classification of two healthy and sunn pest-damaged wheat classes. SIMCA based on PCA modeling correctly classified samples in two classes of healthy and unhealthy with classification accuracy of 100%. Moreover, the power of the wavelengths of 839 nm, 918 nm and 995 nmweremore than other wavelengths to discriminate two classes of healthy and unhealthy. Conclusion: There is a significant difference between the physical and mechanical properties of heaithy and sunn pest-damaged wheat that can be used to determine the quality of single wheat. It can also be claimed that due to the difference in color, morphological and texture features of the healthy and sunn pest-damaged wheat grains, the visual machine system, has a high potential for classification of these two classes. Based on the achieved results, utilizing the supervised pattern recognition of SIMCA can improve the accuracy of the samples' discrimination into the healthy and unhealthy groups. By considering the capabilities of Vis/NIR spectroscopy coupled with the pattern recognition techniques for distinguishing healthy and sunn pest-damaged wheat samples, it is suggested that this technology can be used for rapid quality evaluation ofwheat grains or the resulting flours in terms of contamination to sunn pest.

Item Type: Thesis (Doctoral)
Persian Title: تشخیص نمونه¬های سن¬زده از گندم سالم با استفاده از خصوصیات فیزیکی، مکانیکی و ویژگی¬های نوری به کمک هوش محاسباتی
Persian Abstract: هدف: گندم یکی از مهمترین محصولات استراتژیک ایران و جهان است. وجود دانه¬های گندم سن¬زده در توده گندم باعث کاهش قیمت محصول و فرآورده¬های تولیدی آن از جمله نان می¬شود. بنابراین شناسایی دانه¬های گندم سن¬زده از سالم با روش¬های علمی به منظور تعیین کیفیت و درجه¬بندی گندم در مراکز جمع¬آوری و نگهداری گندم و همچنین کارخانه¬های آرد، لازم و ضروری به نظر می¬رسد. هدف تحقیق حاضر شناسایی دقیق¬تر گندم سن¬زده و سالم بوسیله اندازه¬گیری خواص فیزیکی و مکانیکی و همچنین قابلیت روش¬های اپتیکی از جمله روش¬های پردازش تصویر به کمک هوش محاسباتی و روش¬ طیف-سنجی بر اساس روش¬های بازشناسی الگو می¬باشد. روش‌شناسی پژوهش: در این تحقیق ویژگی¬های فیزیکی دانه گندم سالم و سن¬زده رقم آذر شامل ابعاد (طول، عرض، ضخامت)، سطح تصویر شده، قطر متوسط هندسي، ضریب کرویت، چگالي توده، چگالي واقعی، تخلخل، جرم هزاردانه، ضریب اصطکاک استاتیکی و سرعت حد در 4 سطح رطوبتی ( 9، 5/11، 14 و wb 5/16٪) مورد بررسی قرار گرفت. خواص مکانیکی دانه (از جمله: نیروی گسیختگی، تغییر شکل در نقطه گسیختگی، انرژی گسیختگی، چغرمگی و ضریب کشسانی ظاهری) تحت بارگذاری فشاری با دو عامل، چهار سرعت بارگذاری (5، 15، 25و 35 میلی¬متر بر دقیقه) و چهار سطح محتوای رطوبت ( 9، 5/11، 14 و wb 5/16٪) بررسی شد. در بخش پردازش تصویر، تصاویر دانه¬های گندم سالم و سن¬زده رقم آذر در چهار سطح رطوبت ( 9، 5/11، 14 و wb 5/16٪) و دو رنگ نورپردازی (نور زرد، ترکیب نور زرد و سفید) تهیه شد. پس از پیش¬پردازش و قطعه¬بندی تصاویر، 25 ویژگی از جمله 9 ویژگی رنگی، 10 ویژگی مورفولوژیکی و 6 ویژگی آماری بافت مبتنی بر هیستوگرام شدت از دانه¬های گندم استخراج شد. با استفاده از روش انتخاب ویژگی در نرم افزار WEKA و ارزیاب CfsSubsetEval، 11 ویژگی به عنوان ورودی طبقه¬بندها انتخاب شدند. در بخش طیف¬سنجی، توانایی روش¬های بازشناسی الگوی نظارت شده و نظارت نشده در ترکیب با اسپکتروسکوپی Vis/NIR (محدوده طول موج 350 تا 1000 نانومتر)، به منظور تفکیک نمونه¬های سالم و سن¬زده بررسی شد. یافته‌ها: نتایج نشان داد که اختلاف معنی¬داری بین پارامترهای فیزیکی دانه¬های گندم سالم و سن¬زده وجود دارد. مقدار میانگین نیروی گسیختگی دانه¬های سالم در هر چهار سطح رطوبتی بیشتر از دانه¬های سن¬زده می¬باشد. این پدیده عمدتا ناشی از بافت پوک دانه سن¬زده می¬باشد. همچنین مقدار میانگین تغییر شکل در نقطه گسیختگی دانه¬های سن¬زده دو برابر دانه¬های سالم می¬باشد. از میان پارامترهای مکانیکی، اختلاف بارزی میان مقدار میانگین ضریب کشسانی ظاهری دانه¬های سن¬زده (779/74 مگاپاسکال) و دانه¬های سالم (071/289 مگا پاسکال) مشاهده شد. با در نظر گرفتن شرایط کلی دو رنگ نورپردازی و چهار سطح رطوبتی میزان دقت، حساسیت، اختصاصی بودن و صحت طبقه¬بند هیبرید شبکه عصبی-الگوریتم کرم شب¬تاب برای طبقه¬بندی دو کلاس گندم سالم و سن¬زده 87، 80/86، 80/86، 87/86 درصد می¬باشد، که دارای بالاترین عملکرد بود. اما طبقه¬بند آماری k-نزدیکترین همسایگی با دقت 41/75 درصد پایین¬ترین عملکرد در طبقه¬بندی دو کلاس گندم سالم و سن¬زده را در برداشت. بازشناسی الگوی نظارت¬شده SIMCA بر اساس مدل¬سازی PCA برای طیف¬های Vis/NIR نتایج عالی طبقه¬بندی گندم سالم و ناسالم را در برداشت. همچنین طول موج¬های 839 نانومتر، 918 نانومتر و 995 نانومتر سهم بیشتری نسبت به سایر طول موج¬ها در تفکیک دو طبقه گندم سالم و سن¬زده بر عهده داشتند. نتیجه‌گیری: اختلاف معنی¬داری میان پارامترهای فیزیکی و مکانیکی گندم سالم و سن¬زده وجود دارد که می¬توان از آن برای تعیین کیفیت توده گندم بصورت تک¬دانه استفاده نمود. همچنین می¬توان ادعا کرد با توجه به اختلاف رنگ، شکل و بافت دانه¬های سن¬زده و سالم سیستم ماشین بینایی ارائه شده قابلیت بالایی برای طبقه¬بندی این دو کلاس را دارا می¬باشد. بر اساس نتایج به دست آمده، استفاده از روش بازشناسی الگو تحت نظارت SIMCA می¬تواند دقت تبعیض نمونه¬های گندم را به گروه¬های سالم و ناسالم افزایش دهد و با در نظر گرفتن توانایی¬های طیف¬سنجی Vis/NIR همراه با تکنیک¬های بازشناسی الگو برای تمايز نمونه¬های گندم سن¬زده و سالم، پیشنهاد می¬شود که این تکنولوژی را می¬توان برای ارزیابی سریع کیفیت دانه¬های گندم یا آردهای حاصل از نمونه¬های آلوده به دانه¬های سن¬زده استفاده کرد.
Supervisor:
SupervisorE-mail
Rasekh, MansourUNSPECIFIED
Advisor:
AdvisorE-mail
Abbaspour-Gilandeh, YousefUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
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
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 13 Dec 2018 09:41
Last Modified: 13 Dec 2018 09:41
URI: http://repository.uma.ac.ir/id/eprint/4303

Actions (login required)

View Item View Item