مقایسه کارایی سه نوع شبکه عصبی مصنوعی در شناسایی بذر بیست گونه علف هرز

محورهای موضوعی : بوم شناسی علف‌های هرز

محمدرضا باقری ¹ , محمدحسن راشد محصل ² , محمود رضا گلزاریان ³

1 - دانشجوی کارشناسی ارشد علوم و تکنولوژی بذر دانشگاه دانشگاه آزاد اسلامی واحد مشهد
2 - استاد دانشکده کشاورزی دانشگاه آزاد اسلامی واحد مشهد
3 - استادیار گروه مهندسی بیوسیستم دانشگاه فردوسی مشهد

تاریخ دریافت : 1393/03/07 تاریخ پذیرش : 1394/03/19 تاریخ انتشار : 1394/06/01

کلید واژه: image processing, هوش مصنوعی, پردازش تصویر, ماشین بینایی, مورفولوژی بذر, طبقه بندی بذر, Artificial Intelligence, Seed classification, Seed morphology, Vision machine,

چکیده مقاله :

این مطالعه به منظور تعیین کارایی سه شبکه عصبی مصنوعی در شناسایی بذر بیست گونه علف هرز از روی تصاویر حاصل از اسکن بذرها انجام شد .برای این منظور پانزده خصوصیت مربوط به شکل و اندازه بذرها توسط نرم‌افزار پردازش تصویر از این تصاویر استخراج و سپس بر مبنای این داده‌ها سه شبکه عصبی شامل: شبکه چند لایه پرسپترون، شبکه پیش‌خور‌تعمیم یافته و شبکه RBF/GRNN/PNN تشکیل شد. پس از مرحله آموزش، شبکه‌ها مورد آزمون قرار گرفتند. در مقایسه نتایج حاصل از آزمون هر سه شبکه مشخص شد که شبکه عصبی پیش‌خور‌تعمیم یافته دارای بالاترین میانگین درصد شناسایی صحیح (90%) و قادر به تشخیص بذر هشت گونه با دقت 100 درصد می‌باشد، کمترین میزان دقت شناسایی توسط آن 52درصد بود. شبکه RBF/GRNN/PNN با کمترین مقدار میانگین شناسایی صحیح (61درصد) فقط توانایی تشخیص چهار گونه را با دقت 100درصد داشت و کمترین میزان شناسایی صحیح توسط آن صفر بود. شبکه چند لایه پرسپترون با میانگین شناسایی 71درصد، کارایی حدواسطی در بین سه شبکه داشت. نتایج نشان دادند که شبکه پیش خور تعمیم یافته در بین سه شبکه مذکور از کارایی بالاتری در شناسایی بذرهای مورد مطالعه برخوردار است.

چکیده انگلیسی:

This study was conducted to investigate the efficiency of three artificial neural network algorithms employed to identify seeds of 20 weed species from their scanned images. A total of 15 features related to seed shape and size were extracted from the images using an image-editing program these image-extracted data were fed as inputs into three neural networks of Multilayer perceptron (MLP), RBF/GRNN/PNN Network and Generalized Feed Forward (GFF) neural network employed for seed identification purposes. RBF/GRNN/PNN network is a combined network of Radial Basic Function (RBF), General Regression Neural Network (GRNN) and Probabilistic Neural Network (PNN). After the training stage, each network was tested. The results of testing stage indicated that Generalized Feed Forward network had the highest identification accuracy (90%). This network was able to identify 8 out of twenty species by 100% accuracy. The least seed identification accuracy, using this network, was 52%. The accuracy of RBF/GRNN/PNN network was found to be 61% and this network could accurately identify only 4 species with 100% accuracy. The least precision percentage using this network was zero. The Multilayer perceptron network with 71% identification accuracy had an intermediate efficiency among the three networks. The overall results showed that GFF had the highest efficiency in identifying the studied weed seeds among the three networks.