شناسايي و تفكيك سه رقم برنج ايراني در توده‌هاي مخلوط شده با استفاده از ويژگي هاي بافتي و شبكه عصبي LVQ

Identification of three Iranian Rice Grain Varieties in Mixed Bulks Using Different Textural Features and LVQ Neural Network

چكيده با توجه به ارزش اقتصادي متفاوت ارقام برنج، گزارشات نشان دهنده اين هستند كه احتمال اختلاط ارقام مختلف در بازار وجود دارد. استفاده از تكنيك هاي پردازش تصوير و ابزارهاي هوش مصنوعي براي طبقه بندي ارقام برنج، روشي است كه مي تواند دقت فرآيند طبقه بندي را در كاربردهاي واقعي افزايش دهد. در اين مطالعه چند گروه ويژگي بافتي از تصاوير دانه‌ها بررسي شدند تا كارآيي آنها در شناسايي سه رقم برنج ايراني (طارم، فجر، شيرودي) در نمونه هاي مخلوط اين سه رقم ارزيابي شود. در مجموع 666 تصوير از دانه‌هاي برنج (222 تصوير از هر واريته) در شرايط نورپردازي ثابت گرفته شد و 41 ويژگي بافتي از ماتريس هاي سطوح خاكستري، هم وقوعي و الگوي دودويي محلي مربوط به تصاوير مقياس خاكستري دانه ها استخراج شد. روش هاي ضريب فيشر، تحليل اجزاي اصلي و تركيبي از اين دو روش براي انتخاب ويژگي‌هاي با تاثير دسته بندي بالا به كار برده شدند. براي دسته بندي نمونه‌هاي برنج در سه دسته ي مختلف از شبكه ي عصبي LVQ4 استفاده شد. دقت دسته بندي LVQ4 ، به ترتيب براي سه رقم فجر، شيرودي و طارم با استفاده از ويژگي هاي ماتريس سطوح خاكستري 96/97، 100 و 83/97 درصد، ماتريس هم وقوعي 23/96، 100 و 100 درصد، ماتريس الگوي دودويي محلي 100، 50/97 و 100 درصد، و با استفاده از كليه ي ويژگي‌هاي ماتريس‌ها 100، 67/97 و 100 درصد بود. اين نتايج نشان مي دهند كه پردازش تصوير ابزار مناسبي براي شناسايي ارقام مختلف برنج است. اگر چه استفاده از كليه ي ويژگي ها منجر به خطاي دسته بندي كمتري شده است، ولي ويژگي‌هاي بافتي هر يك از ماتريس هاي تصوير نيز به تنهايي دقت مطلوبي در تفكيك ارقام مورد مطالعه داشتند.

Identification of three Iranian Rice Grain Varieties in Mixed Bulks Using Different Textural Features and LVQ Neural Network Saeideh fayyazi1*, Mohammad Hossein Abbaspour-Fard2, S. Amirhassan Monadjemi3, Hassan Sadrnia4 and Abbas Rohani5 1Dept. of Agricultural Machinery Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Iran 2Dept. of Agricultural Machinery Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Iran 3Dept. of Computer Engineering, Faculty of Engineering, University of Isfahan, Iran 4Dept. of Agricultural Machinery Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Iran 5Dept. of Agricultural Machinery Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Iran *Corresponding author: E-mail:Fayyazi_s@yahoo.com Abstract Due to variation in economic value of different rice varieties, reports indicate the possibility of mixing different varieties on the market. Applying machine vision techniques to classify rice varieties is a method which can increase the accuracy of classification process in real world applications. In this study, several textural feature groups of rice grains’ images were examined to evaluate their efficacy in identification of three Iranian rice varieties (Tarom, Fajr, Shiroodi) in the mixed samples of these three varieties. On the whole, 666 images of rice grains (222 images of each variety) were acquired at a stable illumination condition and totally, 41 textural features were extracted from different matrices of grain images. Fisherʹs coefficient method, Principal Component Analysis method and a combination of these two methods were employed to rank and select the most significant features for the classification. The so called LVQ4 neural network classifier was employed for classification using top selected features. The classification accuracy of 97.96, 100 and 97.83 percent by using gray level matrix, 96.23, 100 and 100 percent by using co-occurrence matrix, 100, 97.50 and 100 percent by using local binary pattern matrix, and 100, 97.67 and 100 percent by using the whole textural features were obtained for Fajr, Tarom and Shiroodi, respectively. These results indicate that image processing can be a suitable tool for identification of different rice varieties. Although using the features of all matrices leads to less classification error, the features of each matrix also provides reasonable accuracy. Keywords: Image processing, Neural network, Rice, Textural features