طبقه بندی برنج سفید خالص و مخلوط با استفاده از طیف سنجی مرئی-مادون قرمز نزدیک و یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری تخصصی گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

2 دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

3 دانشیار گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران.

چکیده

برنج غذای اصلی حدود 2/5 میلیارد نفر از جمعیت جهان است. کیفیت این محصول تحت تاثیر عوامل مختلفی است. در نتیجه، کنترل کیفیت و تشخیص تقلب از مسائل مهم صنعت برنج محسوب می شود. هدف از این تحقیق، بررسی و تشخیص تقلب برنج با بکارگیری روش طیف سنجی Vis/NIR و روش های شیمی سنجی و یادگیری ماشین بود. برای انجام آزمایش ها 13 کلاس براساس میزان اختلاط رقم اصلی برنج (رقم هاشمی) با ارقام غیراصلی فجر، گیلانه، خزر و شیرودی تهیه شد، بدین صورت که کلاس های ناخالص حاصل اختلاط 90، 80 و 70 درصد از برنج رقم هاشمی به ترتیب با 10، 20 و 30 درصد از ارقام دیگر مورد اشاره بود. برای طبقه بندی نمونه های برنج از الگوریتم های پرسپترون چندلایه (MLP)، درخت تصمیم (DT) و ماشین های بردار پشتیبان (SVM) استفاده شد. برای ارزیابی عملکرد طبقه بندهای مورد مطالعه از شاخص های آماری شامل حساسیت (Se)، ویژه بودن (Sp)، صحت (Ac) و ریشه میانگین مربعات خطا (RMSE) در قالب توسعه ماتریس های آسیمگی طبقه بندها استفاده شد. نتایج مطالعه نشان داد که الگوریتم های درخت تصمیم از نوع J48، شبکه های عصبی مصنوعی پرسپترون چندلایه و ماشین بردار پشتیبان با تابع هسته RBF به ترتیب با مقادیر صحت و RMSE برابر با 100 درصد و صفر، 96/92 درصد و 0/0951 و 92/31 درصد و 0/2483 توانستند نمونه های مختلف برنج سفید را طبقه بندی کنند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of pure and mixed white rice cultivars using VIS-NIR spectroscopy and machine learning

نویسندگان [English]

  • Hamed Zaresani 1
  • Amir H. Afkari-Sayyah 2
  • hemad Zareiforoush 3
1 Ph.D. Candidate, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.
2 Assistant Professor, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.
3 Assistant Professor, Department of Biosystems Engineering, Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran.
چکیده [English]

Rice is the staple food of about 2.5 billion people in the world. The quality of this product is influenced by various factors. As a result, quality control and fraud detection are important issues in the rice industry. The purpose of this research was to investigate and detect mixing in white rice cultivars using Vis/NIR spectroscopy, chemometrics and machine learning. In order to conduct experiments, 13 classes were prepared based on the amount of mixing of the main variety of rice (Hashmi variety) with non-main varieties of Fajr, Gilaneh, Khazar and Shiroudi, so that the gross classes resulting from mixing 90, 80 and 70% of Hashmi variety rice respectively with 10, 20 and 30% of other figures mentioned. Multilayer perceptron (MLP), decision tree (DT) and support vector machines (SVM) algorithms were used to classify rice samples. To evaluate the performance of the studied classifiers, statistical indices including sensitivity (Se), specificity (Sp), accuracy (Ac) and root mean square error (RMSE) were used in the form of developing asymmetry matrices of the classifiers. The results of the study showed that J48 DT, MLP and SVM with RBF kernel function with accuracy and RMSE values of 100% and zero, 96.92% and 0.0951, 92.31%, and 0.2483% respectively, were able to classify different samples of white rice.

کلیدواژه‌ها [English]

  • Rice
  • Grading
  • Artificial Neural Networks
  • Decision Tree
  • Visible-Near-Infrared Spectroscopy

فایل ها

هم رسانی

ارجاع به این مقاله

آمار