بذر ذرت بر اساس الگوریتم آبخیز و شبکه های عصبی کانولوشن دو مسیره

مواد بذر ذرت مکزیکی با کیفیت های مختلف تصویربرداری شدند و روشی برای تشخیص عیب بر اساس یک الگوریتم حوضه آبخیز ترکیب شده با یک مدل شبکه عصبی کانولوشنال دو مسیره (CNN) توسعه یافت.

در این مطالعه، تصاویر RGB و مادون قرمز نزدیک (NIR) با یک دوربین چند طیفی برای آموزش مدل به دست آمد، که ثابت شد در شناسایی دانه‌های معیوب و دانه‌های بدون نقص، با دقت متوسط 95.63 درصد، موثر است.

نرخ فراخوان 95.29% و F1 (ارزیابی میانگین هارمونیک) 95.46%. روش پیشنهادی ما نسبت به روش سنتی که از یک CNN یک مسیره با تصاویر RGB 3 کانالی استفاده می‌کند، برتر بود.

در همان زمان،بذر نعنا محلی تأثیر تنظیمات پارامترهای مختلف بر آموزش مدل مورد مطالعه قرار گرفت.

در نهایت، کاربرد روش تشخیص شی در تشخیص عیب بذر ذرت، که ممکن است ابزار موثری برای کنترل کیفیت بالای بذر ذرت باشد، مورد بحث قرار گرفت.

بذر

بذر کتان قهوه ای یکی از مهم ترین محصولات زراعی در جهان است (افضل و همکاران، 2017) که به طور گسترده در اطراف زمین کاشته می شود.

حجم تولید و تجارت آن در سال های اخیر افزایش یافته است.

در فرآیند گردش، کیفیت ظاهری یک عامل حیاتی است که بر قیمت دانه ذرت تأثیر می گذارد.

بذور ذرت در هنگام نگهداری و حمل و نقل در برابر آسیب و کپک آسیب پذیر هستند و نقص فنوتیپی یک شاخص مهم ارزیابی کیفیت بذر است.

در حال حاضر، تشخیص کیفیت بذر همچنان بر روش شناسایی دستی سنتی متکی است که از راندمان پایین و ذهنیت قوی استفاده می کند.

با توسعه فناوری بینایی رایانه گوتیرز و همکاران، 2019؛ کیچی و همکاران، 2019؛ عظیمی و همکاران، 2020؛ آروناچلام و آندریسون، 2021)، روش های پردازش تصویر مبتنی بر یادگیری ماشین برای طبقه بندی کیفی بذر اعمال می شوند و نتایج خوبی به دست آورده اند.

روشی را برای طبقه‌بندی بیش از 10 سطح کیفیت بذر سیر سیاه با استفاده از ویژگی‌های رنگ و بافت با طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) پیشنهاد کردند.