بوم شناسی علف های هرز, دوره (3), شماره (1), سال (2015-9) , صفحات (31-39)

عنوان : ( مقایسه کارآیی سه نوع شبکه عصبی مصنوعی در شناسایی بذر بیست گونه علف هرز )

نویسندگان: محمدرضا باقری , محمد حسن راشد محصل , محمودرضا گلزاریان ,
فایل: Full Text

استناددهی: BibTeX | EndNote

چکیده

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.

کلمات کلیدی

پردازش تصویر؛ ماشین بینایی؛ مورفولوژی بذر؛ هوش مصنوعی؛ طبقه بندی
برای دانلود از شناسه و رمز عبور پرتال پویا استفاده کنید.

@article{paperid:1063251,
author = {محمدرضا باقری and محمد حسن راشد محصل and گلزاریان, محمودرضا},
title = {مقایسه کارآیی سه نوع شبکه عصبی مصنوعی در شناسایی بذر بیست گونه علف هرز},
journal = {بوم شناسی علف های هرز},
year = {2015},
volume = {3},
number = {1},
month = {September},
issn = {2383-1073},
pages = {31--39},
numpages = {8},
keywords = {پردازش تصویر؛ ماشین بینایی؛ مورفولوژی بذر؛ هوش مصنوعی؛ طبقه بندی بذر},
}

[Download]

%0 Journal Article
%T مقایسه کارآیی سه نوع شبکه عصبی مصنوعی در شناسایی بذر بیست گونه علف هرز
%A محمدرضا باقری
%A محمد حسن راشد محصل
%A گلزاریان, محمودرضا
%J بوم شناسی علف های هرز
%@ 2383-1073
%D 2015

[Download]