در این پژوهش به‌منظور درجهبندی رنگی مغز گردو نژادگان بوانات طبق استاندارد بین‌‌المللی به چهار درجه خیلی روشن، روشن، روشن کهربایی و کهربایی، 159 مغز گردو انتخاب و از هر یک جداگانه تصویربرداری شد. در مرحله پردازش تصویر، با استفاده از فیلتر لاپلاسین گوسی زمینه جداسازی شد و 12 ویژگی رنگی شامل میانگین و انحراف معیاررنگهای قرمز، سبز و آبیو هم‌چنین میانگین و انحراف معیار اصل رنگ، درجه اشباع و شدت رنگ استخراج شد. به‌منظور رتبهبندی ویژگیها از شاخص میانگین مربعات همبستگی کانونی استفاده شد که بر این اساس میانگین شدت رنگ بیشترین تأثیر را در مدل رتبهبندی داشت و پس از آن میانگین اشباع و واریانس شدت رنگ مهم‌ترین ویژگیها در مدل رتبهبندی بودند. با توجه به مدل رتبهبندی ویژگیها، شبکه‌‌های عصبی با ورودی‌‌های متفاوت از یک تا 12 ورودی طراحی شد. با استفاده از 9 ویژگی مهم‌‌تر به‌عنوان ورودی شبکه عصبی، بالاترین دقت درجهبندی برابر با 8/95% در ساختار بهینه 4-20-9 به‌دست آمد که دقت درجهبندی برای مغز گردو با درجه خیلی روشن 100%، درجه روشن 31/92%، درجه روشن کهربایی 91/90% و درجه کهربایی 100% بود. نتیجه این پژوهش نشان‌‌دهنده توانایی بالای ماشین بینایی در ترکیب با شبکه عصبی برای درجهبندی مغز گردو بر اساس رنگ می‌‌باشد.
Kasraei M, Khoshroo A, Hajizadeh M. Color Grading of Walnut Kernel Using Combination of Machine Vision and Artificial Neural Networks. IJHST 2019; 20 (4) :457-466 URL: http://journal-irshs.ir/article-1-322-fa.html
کسرایی مهدی، خوشرو علیرضا، حاجی زاده محمد. درجهبندی مغز گردو بر اساس رنگ با استفاده از ترکیب ماشین بینایی و شبکه عصبی مصنوعی. مجله علوم و فنون باغبانی ایران. 1398; 20 (4) :457-466
