با توجه به ارزش اقتصادی متفاوت ارقام برنج، گزارشات نشان دهنده این هستند که احتمال اختلاط ارقام مختلف در بازار وجوددارد. استفاده از تکنیکهای پردازش تصویر و ابزارهای هوش مصنوعی برای طبقه بندی ارقام برنج، روشی است که می تواند دقت فرآیند طبقه بندی را در کاربردهای واقعی افزایش دهد. در این مطالعه چند گروه ویژگی بافتی از تصاویر دانه ها بررسی شدند تاکارآیی آنها در شناسایی سه رقم برنج ایرانی (طارم، فجر، شیرودی) در نمونه های مخلوط این سه رقم ارزیابی شود. در مجموع 666 تصویر از دانه های برنج ( 222 تصویر از هر واریته) در شرایط نورپردازی ثابت گرفته شد و 41 ویژگی بافتی از ماتریسهای سطوح خاکستری، هم وقوعی و الگوی دودویی محلی مربوط به تصاویر مقیاس خاکستری دانه ها استخراج شد. روشهای ضریب فیشر،تحلیل اجزای اصلی، و ترکیبی از این دو روش برای انتخاب ویژگی های با تأثیر دسته بندی بالا به کار برده شدند. برای دسته بندی به ترتیب برای سه رقم ، LVQ استفاده شد. دقت دسته بندی 4 LVQ نمونه های برنج در سه دسته ی مختلف از شبکه ی عصبی 4،96/ 97 درصد، ماتریس هم وقوعی 23 / 100 ،97 و 83 / فجر، شیرودی وطارم با استفاده از ویژگیهای ماتریسر سطوح خاکستری 9697 و / 97 و 100 درصد، و با استفاده از کلیه ی ویژگی های ماتریس ها 67 ،100 / 100 و 100 درصد، ماتریس الگوی دودویی محلی 50 ،100100 درصد بود. این نتایج نشان می دهند که پردازش تصویر ابزاری مناسبی برای شناسایی ارقام مختلف برنج است. اگر چه استفاده ازکلیه ی ویژگیها منجر به خطای دسته بندی کمتری شده است، ولی ویژگی های بافتی هر یک از ماتریس های تصویر نیز به تنهایی دقت مطلوبی در تفکیک ارقام مورد مطالعه داشتند.

کلمات کلیدی