آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 158 |
| تعداد مقالات | 1,583 |
| تعداد مشاهده مقاله | 2,514,254 |
| تعداد دریافت فایل اصل مقاله | 2,099,812 |
روش مبتنی بر موجک برای طبقهبندی علف هرز و ذرت با استفاده از ویژگی‌های آماری و شبکه عصبی مصنوعی | ||
| علوم مکانیک در ماشین های کشاورزی | ||
| مقاله 3، دوره 3، شماره 1، شهریور 1395، صفحه 20-34 اصل مقاله (840.69 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| پرویز احمدی‌مقدم1؛ آیدین ایمانی2 | ||
| 1دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه | ||
| 2دانشجوی دکتری مهندسی مکانیک بیوسیستم، دانشگاه تهران | ||
| چکیده | ||
| در این تحقیق، یک رویکرد مبتنی بر تبدیل موجک برای طبقهبندی علف هرز و ذرت ارایه شده است. بر این اساس، یک پایگاه داده متشکل از 500 تصویر در شرایط عادی مزرعه تهیه شد. در ابتدا تبدیل موجک دو بعدی سه مرحله‌ای برای تمام تصاویر اعمال گردید. سپس، ویژگی‌های آماری ضرایب موجک (میانگین، واریانس، چولگی، درجه اوج، انرژی و آنتروپی) محاسبه شد. در نهایت یک شبکه عصبی مصنوعی چند لایه پرسپترون برای طبقهبندی تصاویر علف هرز و محصول ذرت از طریق ویژگی‌های استخراج شده، مورد استفاده قرار گرفت. سه نوع تابع موجک شامل موجک‌های هار، دبوچی 4 و دبوچی 25 برای یافتن بهترین تابع مورد بررسی قرار گرفتند. برای یافتن بهترین بردار ویژگی، ترکیب‌های گوناگونی از ویژگی‌های استخراج شده از مراحل مختلف موجک مورد بررسی قرار گرفتند. نتایج نشان داد که الگوریتم مبتنی بر موجک هار برای طبقهبندی از دقت 5/89 درصد برخوردار بوده و همچنین از نظر بازده محاسباتی قادر است در زمان 22/0 ثانیه هر تصویر را پردازش کند و از این جهت عملکرد بهتری نسبت به دو تابع موجک دیگر داشت. | ||
| کلیدواژه‌ها | ||
| تبدیل موجک؛ تشخیص علف هرز؛ آنالیز چند رزولوشنه؛ شبکه عصبی مصنوعی؛ ذرت | ||
|
آمار تعداد مشاهده مقاله: 1,324 تعداد دریافت فایل اصل مقاله: 762 |
||