fa درجه‌بندی مغز گردو بر اساس رنگ با استفاده از ترکیب ماشین بینایی و شبکه عصبی مصنوعی فیزیولوژی پس از برداشت Postharvest physiology پژوهشي Research <div style="text-align: justify;"><br> &nbsp;<span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">در این پژوهش به‌منظور درجه‌‌بندی رنگی مغز گردو </span></span><span style="font-family:B Mitra;"><span style="font-size:12.0pt;">نژادگان بوانات</span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> 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 معیار</span></span> <span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">رنگ‌های قرمز، سبز و آبی</span></span> <span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">و هم‌چنین میانگین و انحراف معیار اصل رنگ، درجه اشباع و شدت رنگ استخراج شد. </span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">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</span></span><span dir="LTR"><span style="font-size:12.0pt;">.</span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> با استفاده از 9 ویژگی مهم‌‌تر به‌عنوان ورودی شبکه عصبی، بالاترین دقت درجه‌‌بندی برابر با 8/95% در ساختار بهینه </span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">4-20-9 </span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">به‌دست آمد</span></span><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> 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.</span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span></span></div> <div style="text-align: justify;">This paper aims at color grading of walnut kernels using a machine vision system. In this study, 159 kernels were divided into four color class of &#39;Extra Light&#39;, &#39;Light&#39;, &#39;Light Amber&#39; and &#39;Amber&#39; based on international standard. In image processing step, the Laplacian of Gaussian filter was used to remove the background of the image. Twelve color features were extracted from images including mean and standard deviation of red, green and blue as well as hue, saturation and intensity. The level of contribution of color features were determined using Average Squared Canonical Correlation values. The intensity mean had the highest contribution followed by saturation mean and intensity variance. Various neural networks architectures were developed with different number of inputs from one to 12 features based on the ranking model. Using the nine most important features as input for ANN, the highest grading accuracy of 95.8% obtained in the optimum structure of 9-20-4. The grading accuracy for walnut kernels in the classes of &#39;Extra Light&#39;, &#39;Light&#39;, &#39;Light Amber&#39; and &#39;Amber&#39; were 100%, 92.31%, 90.91% and 100%, respectively. The results show high potential of the machine vision combined with artificial neural network for color grading of walnut kernel.</div> <div style="text-align: justify;"><p style="margin: 0px 0px 13.33px; text-align: justify; unicode-bidi: embed; direction: ltr;"></p></div> پردازش تصویر, پرسپترون چند لایه, رتبه‌بندی ویژگی‌ها, فیلتر لاپلاسین‌ گوسی Image Processing, Features ranking, Laplacian of Gaussian filter, Multi-layer perceptron 457 466 http://journal-irshs.ir/browse.php?a_code=A-10-585-1&slc_lang=fa&sid=1 Mehdi Kasraei مهدی کسرایی kasraei@shirazu.ac.ir 10031947532846005984 10031947532846005984 No Shiraz University دانشگاه شیراز Alireza Khoshroo علیرضا خوشرو khoshroo@yu.ac.ir 10031947532846005985 10031947532846005985 Yes Yasouj University دانشگاه یاسوج Mohammad Hajizadeh محمد حاجی زاده a.reza2008@gmail.com 10031947532846005986 10031947532846005986 No Shiraz University دانشگاه شیراز