استفاده از ماتريس هم-رخدادي سطح خاكستري براي طبقه بندي كشمش توده‌اي‌

Bulk Raisin Classification using Gray Level Co-occurrence Matrix

كشمش يكي از محصولات مهم كشاورزي است. در اين تحقيق با استفاده از روش بينايي اقدام به كيفيت سنجي محصول توده­اي كشمش در دو حالت متفاوت شده است. در حالت اول، 6 طبقه تركيبي از كشمش خوب و بد و در حالت دوم 15 طبقه تركيبي از كشمش خوب، بد و چوب و خار و خاشاك مورد بررسي قرار گرفته است. نتايج طبقه ­بندي با روش­ هاي LDA و SVM نشان دادند كه بهترين دقت طبقه ­بندي 6 طبقه، با روش SVM خطي حاصل شد كه داراي دقت 85/55 درصد بوده است. نتايج حاصل براي طبقه­ بندي 15 طبقه شامل كشمش خوب، بد و خار و خاشاك نشان داد كه بهترين نتيجه باز با روش SVM خطي ولي با دقتي پايين‌تر در حدود 63/55 درصد حاصل گرديد. نتايج نشان داد كه روش GLCM بصورت قابل قبولي قادر به تشخيص طبقه محصول توده ­اي كشمش بوده و مي­ تواند جايگزين فرد خبره در كارخانه­ هاي فرآوري كشمش شود.

Raisin is one of the most important agricultural products. In this study, by using the machine vision approach, the quality of bulk raisin was evaluated in two different conditions. In the first case, six classes of good and bad raisins mixture, and in the latter case, 15 classes of good, bad and woody raisins have been studied. Classification results with Linear Discriminate Analysis (LDA) and Support Vector Machine (SVM) showed that the best classification accuracy of 6 classes was obtained by linear SVM method with an accuracy of 85.55%. The results for classifying 15 classes including good, bad and wood showed that the best result was obtained by linear SVM method but with a lower accuracy of 63.55%. The results showed that the GLCM method was able to detect the class of raisin bulk product and could replace the expert in raisin processing plants.