امکان سنجی توانایی شبکه عصبی مصنوعی و الگوریتم های ژنتیک در طبقه بندی اجزای توده دانه گندم به کمک پردازش ویدیو

وجود انواع ناخالصی ها در زمان برداشت گندم از عوامل مهم در افت کیفیت گندم است در نتیجه تشخیص ناخالصی های توده دانه گندم ضروری به نظر می رسد. در این مطالعه به بررسی امکان شناسایی گندم در توده دانه گندم و تخمین میزان ناخالصی موجود در توده، مبتنی بر پردازش ویدیو به کمک دو نوع الگوریتم شبکه عصبی مصنوعی (ANN) و همچنین هیبرید الگوریتم ژنتیک پرداخته شده است. پس از تهیه ویدیوی حرکت توده بر روی تسمه نقاله، با استفاده از نرم افزار MATLAB و جعبه ابزار پردازش تصویر، 17 ویژگی شکلی، 12 ویژگی رنگی و 6 ویژگی بافتی از هر نمونه دانه موجود در تصویر استخراج شد. داده های بدست آمده از بخش پردازش تصویر به پنج دسته گندم، جو، یولاف، کاه-کلش، بذر علف هرز طبقه-بندی شدند. از دو نوع الگوریتم شبکه عصبی مصنوعی (ANN) پیش خور (newff) و پس خور (newcf) و هیبرید الگوریتم ژنتیک برای دستیابی به بالاترین دقت طبقه بندی و کمترین مقدار خطا استفاده شد. نتایج نشان داد از 36 ساختار مختلف شبکه عصبی مصنوعی (ANN)، ساختار 5-4-10-35 برای الگوریتم newff با دقت 100 و 74/89 درصد به ترتیب برای شرایط آموزش و تست و با زمان پردازش 39/10 ثانیه و ساختار 5-8-10-35 برای الگوریتم newcf با دقت 100 درصد برای شرایط آموزش و 17/87 درصد برای شرایط تست و با زمان پردازش 94/44 ثانیه بدست آمد. نتایج حاصل از هیبرید الگوریتم GA نشان داد بالاترین دقت طبقه بندی به ترتیب دارای 55/95 درصد و 66/86 درصد برای آموزش و تست و در ساختاری که در آن از 8 نرون در لایه مخفی با اندازه جمعیت 200 استفاده شده بود، حاصل شد. با توجه به نتایج بدست آمده، استفاده از پردازش ویدیو به کمک شبکه عصبی مصنوعی ANN و الگوریتم newff با توجه به دقت بالا و زمان محاسبات پایین تر ابزار توانمندی برای شناسایی ناخالصی های توده دانه گندم است.