با توجه به ارزش اقتصادی متفاوت ارقام برنج، گزارشات نشان دهنده این هستند که احتمال اختلاط ارقام مختلف در بازار وجود دارد. استفاده از تکنیک های پردازش تصویر و شبکه های عصبی 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 تا کارآیی 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 ماتریس های سطوح خاکستری، هم وقوعی و الگوی دودویی محلی مربوط به تصاویر مقیاس خاکستری دانه ها استخراج شد. روش های ضریب فیشر، تحلیل اجزای اصلی و ترکیبی از این دو روش برای انتخاب ویژگی های با تأثیر طبقه بندی بالا به کار برده شدند. برای طبقه بندی نمونه های برنج در سه کلاس مختلف از شبکه ی عصبی LVQ4 استفاده شد. دقت طبقه بندی LVQ4 ، به ترتیب برای سه رقم فجر، شیرودی وطارم با استفاده ویژگی های ماتریس سطوح خاکستری 96/97، 100 و 83/97%، ماتریس هم وقوعی 23/96، 100 و 100% ، ماتریس الگوی دودویی محلی 100، 50/97 و 100% و با استفاده از کلیه ی ویژگی های ماتریس ها 100، 67/97 و 100% بود. این نتایج نشان می دهند که پردازش تصویر ابزاری مناسب برای شناسایی واریته های مختلف برنج است. اگر چه استفاده از کلیه ی ویژگی ها منجر به خطای طبقه بندی کمتری شده است، ولی ویژگی های بافتی هر یک از ماتریس های تصویر نیز به تنهایی دقت مطلوبی در تفکیک واریته های مورد مطالعه داشتند.

کلمات کلیدی