تشخيص ارقام شلتوك، برنج قهوه اي و سفيد براساس ويژگي هاي بافتي تصوير و شبكه عصبي مصنوعي

Recognition of Paddy, Brown Rice and White Rice Cultivars Based on Textural Features of Images and Artificial Neural Network

شناسایی ارقام برنج در كشاورزی مدرن از اهمیت بالایی برخوردار است. ویژگی های بافتی از میان عوامل مختلف می تواند برای شناسایی ارقام برنج استفاده شود. پردازش تصاویر دیجیتال به‌عنوان روشی جدید می‌تواند برای استخراج ویژگی‌های بافت به‌كار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از ویژگی های بافت تصویر به‌كمك پردازش تصویر و شبكه های عصبی مصنوعی پس انتشار می باشد. برای تشخیص ارقام برنج، پنج رقم برنج ایرانی به نام‌های فجر، شیرودی، ندا، طارم محلی و خزر تهیه شدند. 108 ویژگی بافتی از تصاویر برنج با استفاده از ماتریس هم وقوعی تصویر سطوح خاكستری استخراج گردید. سپس شناسایی ارقام با استفاده از شبكه عصبی مصنوعی پس انتشار صورت پذیرفت. پس از ارزیابی شبكه های یك لایه با استفاده از ویژگی های بافتی، بیشترین دقت طبقه بندی برای ارقام شلتوك، برنج قهوه‌ای و سفید به‌ترتیب: 2/92%، 8/97% و 9/98% به‌دست آمد. پس از اینكه شبكه با دولایه پنهان مورد ارزیابی قرار گرفت، بهترین میانگین دقت طبقه بندی برای تشخیص ارقام شلتوك 67/96%، برای برنج قهوه ای 78/97% و برای برنج سفید 88/98% حاصل شد. بیشترین دقت طبقه بندی پس از انتخاب ویژگی برای شلتوك با 45 ویژگی 9/98%، برای ارقام برنج قهوه ای با 11 ویژگی انتخاب شده 3/93% و برای ارقام برنج سفید 7/96% با 18 ویژگی انتخاب شده به‌دست آمد.

Identification of rice cultivars is very important in modern agriculture. Texture properties could be used to identify of rice cultivars among of the various factors. The digital images processing can be used as a new approach to extract texture features. The objective of this research was to identify rice cultivars using of texture features with using image processing and back propagation artificial neural networks. To identify rice cultivars, five rice cultivars Fajr, Shiroodi, Neda, Tarom mahalli and Khazar were selected. Finally, 108 textural features were extracted from rice images using gray level co-occurrence matrix. Then cultivar identification was carried out using Back Propagation Artificial Neural Network. After evaluation of the network with one hidden layer using texture features, the highest classification accuracy for paddy cultivars, brown rice and white rice were obtained 92.2%, 97.8% and 98.9%, respectively. After evaluation of the network with two hidden layers, the average accuracy for classification of paddy cultivars was obtained to be 96.67%, for brown rice it was 97.78% and for white rice the classification accuracy was 98.88%. The highest mean classification accuracy acquired for paddy cultivars with 45 features was achieved to be 98.9%, for brown rice cultivars with 11 selected features it was 93.3% and it was 96.7% with 18 selected features for rice cultivars.