پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,826 |
| تعداد مقالات | 73,630 |
| تعداد مشاهده مقاله | 135,044,861 |
| تعداد دریافت فایل اصل مقاله | 105,342,910 |
بازشناسی انواع پسته بر پایه بینایی ماشین، فیلترهای گابور و الگوریتم وراثتی | ||
| مهندسی بیوسیستم ایران | ||
| دوره 56، شماره 1، فروردین 1404، صفحه 17-33 اصل مقاله (1.99 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2025.389674.665585 | ||
| نویسنده | ||
| اسما شمس کرمانی* | ||
| گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی سیرجان، سیرجان، ایران. | ||
| چکیده | ||
| در این پژوهش، روشی نوین و کارآمد برای بازشناسی انواع پسته با بهره‌گیری از فیلترهای گابور و الگوریتم وراثتی ارائه شده است که هدف آن افزایش سرعت و دقت در فرآیند طبقه‌بندی می‌باشد. برخلاف روش‌های پیشین که عمدتاً بر پردازش جداگانه دانه‌های منفرد پسته تکیه داشته‌اند و از این رو با وجود دقت مناسب، از نظر زمانی و محاسباتی پرهزینه بوده‌اند، روش پیشنهادی از پردازش کل‌نگر تصاویر مجموعه‌ای از پسته‌ها بهره می‌گیرد و بدین وسیله فرآیند بازشناسی را تسریع و بهینه‌سازی می‌کند. در این چارچوب، ابتدا ویژگی‌های بافتی و شکلی برجسته از تصاویر با استفاده از فیلترهای گابور استخراج می‌گردد. سپس، الگوریتم وراثتی به‌منظور انتخاب ویژگی‌های بهینه و حذف داده‌های زائد به کار گرفته می‌شود. ویژگی‌های منتخب نهایتاً به طبقه‌بند kهمسایه نزدیک‌تر (KNN) منتقل شده تا طبقه‌بندی نهایی صورت گیرد. ارزیابی روش پیشنهادی بر روی پایگاه داده‌ای شامل ۱۰۰۰ زیرتصویر متعلق به پنج نوع رایج پسته (اکبری، احمدآقایی، کله‌قوچی، فندقی و بادامی) انجام شد و نتایج حاکی از نرخ طبقه‌بندی صحیح 5/99 درصد می‌باشد. در مقایسه با روش‌های یادگیری عمیق، روش پیشنهادی با وجود عدم نیاز به آموزش عمیق و منابع پردازشی سنگین، دقتی قابل رقابت با آن‌ها ارائه داده و سرعت پیاده‌سازی بسیار بالاتری دارد. این ویژگی‌ها روش پیشنهادی را به گزینه‌ای مناسب برای کاربردهای صنعتی، به‌ویژه در خطوط تولید و بسته‌بندی هوشمند پسته بدل می‌سازد و گامی مؤثر در جهت خودکارسازی فرآیندهای کشاورزی و کاهش هزینه‌های زمانی و انسانی تلقی می‌شود. | ||
| کلیدواژه‌ها | ||
| الگوریتم وراثتی؛ بازشناسی پسته؛ طبقه‌بندی تصویر؛ طبقه‌بند k همسایه نزدیک‌تر؛ فیلتر گابور | ||
| عنوان مقاله [English] | ||
| Recognition of Pistachio Varieties Based on Machine Vision, Gabor Filters, and Genetic Algorithm | ||
| نویسندگان [English] | ||
| Asma Shams-Kermani | ||
| Department of Electrical Engineering, Faculty of Electrical and Computer Engineering, Sirjan University of Technology, Sirjan, Iran. | ||
| چکیده [English] | ||
| This study proposes an efficient and novel method for recognizing pistachio varieties by leveraging Gabor filters for feature extraction and a genetic algorithm for feature selection, aiming to enhance classification accuracy and speed. Unlike conventional approaches that focus on individual processing of pistachio kernels—which, despite high accuracy, are time-consuming and computationally demanding—the proposed method employs holistic processing of images containing multiple pistachios, thereby significantly accelerating the recognition process. Key textural and shape-based features are initially extracted using Gabor filters. Subsequently, the genetic algorithm is applied to select optimal features and reduce data redundancy. The refined feature set is then classified using the K-Nearest Neighbor (KNN) algorithm. Experiments conducted on a dataset of 1,000 sub-images covering five common pistachio types (Akbari, Ahmad Aghaei, Kaleh Ghouchi, Fandoghi, and Badami) yielded an average classification accuracy of 99.5%. In comparison with deep learning models, the proposed method demonstrates competitive performance while requiring no extensive training phase or high computational resources. This results in a faster and more resource-efficient implementation, making it particularly suitable for industrial applications, especially in automated pistachio processing and packaging systems. The proposed method contributes to the automation of agricultural workflows, reducing both processing time and labor costs, and offers a practical solution for real-time classification in resource-constrained environments. | ||
| کلیدواژه‌ها [English] | ||
| Gabor Filter, Genetic Algorithm, Image Classification, K-Nearest Neighbor Classifier (KNN), Pistachio Recognition | ||
| مراجع | ||
|
Abbaszadeh, M., Rahimifard, A., Eftekhari, M., Ghayoumi Zadeh, H., Fayazi, A., Dini, A., & Danaeian, M. (2019). Deep learning-based classification of defective pistachios via deep autoencoder neural networks. arXiv preprint, arXiv:1906.11878. https://doi.org/10.48550/arXiv.1906.11878. Avuçlu, E. (2023). Classification of pistachio images using VGG16 and VGG19 deep learning models. International Scientific and Vocational Studies Journal, 7(2), 79–86. https://doi.org/10.47897/bilmes.1328313. Avuçlu, E. (2023). Classification of pistachio images with the ResNet deep learning model. Selcuk Journal of Agriculture and Food Sciences, 37(2), 291–300. https://doi.org/10.15316/SJAFS.2023.029. Farazi, M., Abbas-Zadeh, M. J., & Moradi, H. (2017, November ). A machine vision-based pistachio sorting using transferred mid-level image representation of convolutional neural network. Paper presented at the 10th Iranian Conference on Machine Vision and Image Processing (MVIP) IEEE. Isfahan, Iran. https://doi.org/10.1109/IRANIANMVIP.2017.8342335. Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley. Ha, M. H., Tian, X. D., & Zhang, Z. R. (2005, August). Optical font recognition based on Gabor filter. In International Conference on Machine Learning and Cybernetics (ICMLC). Guangzhou, China. https://doi.org/10.1109/ICMLC.2005.1527799. Heidary-Sharifabad, A., Zarchi, M. S., Emadi, S., & Zarei, G. (2021). An efficient deep learning model for cultivar identification of a pistachio tree. British Food Journal, 123(11), 3592–3609. https://doi.org/10.1108/BFJ-12-2020-1100. Indra, D., Fadlillah, H. M., Kasman., & Ilmawan, L. B. (2021, December). Rice texture analysis using GLCM features. Paper presented at the 2021 International Conference on Electrical, Computer and Energy Technologies (ICECET), Cape Town, South Africa. Jain, A. K., & Bhattacharjee, S. K. (1992). Address block location on envelopes using Gabor filters. Pattern Recognition, 25(12), 1459–1477. https://doi.org/10.1016/0031-3203(92)90144-O. Kumar, S. S., Sigappi, A. N., Thomas, G. A., Robinson, Y. H., & Raja, S. P. (2024). Classification and analysis of pistachio species through neural embedding-based feature extraction and small-scale machine learning techniques. International Journal of Image and Graphics, 24(3), 2450032. https://doi.org/10.1142/s0219467824500323. Liang, L., Liu, Y., & Wang, M. (2023, July). Gabor-DCTnet: A simple and efficient method for image classification. In 2023 19th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD). Harbin, China. https://doi.org/10.1109/ICNC-FSKD59587.2023.10281063. Madhavi, D., Mohammed, K. M., Jyothi, N., & Patnaik, M. R. (2019). A hybrid content-based image retrieval system using log-Gabor filter banks. International Journal of Electrical and Computer Engineering, 9(1), 237–244. https://doi.org/10.11591/ijece.v9i1.pp237-244. Mahdavi-Jafari, S., Salehinejad, H., & Talebi, S. (2008, December). A pistachio nuts classification technique: An ANN-based signal processing scheme. Paper presented at the International Conference on Computational Intelligence for Modelling, Control and Automation (CIMCA), Vienna, Austria. https://doi.org/10.1109/CIMCA.2008.150. Manjunath, B. S., & Ma, W. Y. (1996). Texture features for browsing and retrieval of image data. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(8), 837–842. https://doi.org/10.1109/34.531803. Nouri-Ahmadabadi, H., Omid, M., Mohtasebi, S. S., & Firouz, M. S. (2017). Design, development, and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine. Information Processing in Agriculture, 4(4), 333–341. https://doi.org/10.1016/j.inpa. Omid, M., Mahmoudi, A., & Omid, M. (2009). An intelligent system for sorting pistachio nut varieties. Expert Systems with Applications, 36(9), 11528–11535. https://doi.org/10.1016/j.eswa.2009.03.040. Patel, F., Mewada, S., Degadwala, S., & Vyas, D. (2023, October). Recognition of pistachio species with transfer learning models. Paper presented at the International Conference on Self Sustainable Artificial Intelligence Systems (ICSSAS), Erode, India. https://doi.org/10.1109/ICSSAS57918.2023.10331907. Shamsi-Goshki, A., Sariyazdi, S., Nazmabadipour, N., & Shamsi-Goshki, H. (2013). Pistachio varieties recognition based on machine vision and Gabor filters. Iranian Journal of Biosystems Engineering, 43(2), 125–131. https://doi.org/10.22059/ijbse.2013.35214. )In Persian(. Singh, D., Taspinar, Y. S., Kursun, R., Cinar, I., Koklu, M., Ozkan, I. A., & Lee, H. N. (2022). Classification and analysis of pistachio species with pre-trained deep learning models. Electronics, 11(7), 981. https://doi.org/10.3390/electronics11070981. Subbarao, M., Ram, G., & Varma, D. (2023, February ). Performance analysis of pistachio species classification using support vector machine and ensemble classifiers. Paper presented at the International Conference on Recent Trends in Electronics and Communication (ICRTEC), Mysore, India. https://doi.org/10.1109/ICRTEC56977.2023.10111889. Wang, M., Gao, L., Huang, X., Jiang, Y., & Gao, X. (2019). A texture classification approach based on the integrated optimization for parameters and features of Gabor filter via hybrid ant lion optimizer. Applied Sciences, 9(11), 2173. https://doi.org/10.3390/app9112173. | ||
|
آمار تعداد مشاهده مقاله: 105 تعداد دریافت فایل اصل مقاله: 66 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب