حسین باقرپور

چکیده: محصول نخود به دلیل شرایط خاص برداشت دارای چندین نوع ناخالصی است که بعضی از آن ها مانند کاه، سنگریزه ها، علف های هرز و سایر ناخالصی دیگر که دارای اختلاف اساسی در وزن یا ابعاد هستند، به راحتی توسط بعضی از روش های مکانیکی از محصول اصلی جدا می شوند. ولی در مقابل، ناخالصی هایی مانند سنگ یا کلوخ هم اندازه نخود، نخودهای لپه شده و مخصوصا نخودهای نارس به سختی در فرآیند جداسازی از محصول جدا می شوند و در نتیجه باعث کاهش کیفیت و قیمت تمام شده محصول می شوند. لذا جداسازی این نوع ناخالصی ها یکی از چالش های اصلی در حوزه فرآوری محصولات کشاورزی است که در این پژوهش سعی گردید با بهره گیری از الگوریتم های نوین هوش مصنوعی این نوع ناخالصی ها شناسایی و از محصول اصلی تفکیک شوند. از طرفی شناسایی و انتخاب رقم مناسب نخود برای کشاورزان و محققان از اهمیت ویژ ه ای در هنگام کاشت یا اصلاح آن ها برخوردار است که بدین منظور در هدف دوم تشخیص و طبقه-بندی رقم های مختلف محصول با یک شبکه عصبی کانولوشنی بررسی شد. در این تحقیق برای تشخیص و شناسایی ناخالصی ها از الگوریتم نوینYOLO-v5 استفاده شد. برای آموزش این الگوریتم 400 عکس برچسب گذاری شده از شش کلاس شامل نخود سالم، نخود نارس، لپه شده، سنگ و کلوخ، نخود سیاه و نخود قهوه ای تهیه شد. در گام دوم به منظور شناسایی رقم ها با بازسازی تصاویر، در کل 3000 تصویر ایجاد گردید و از یک الگوریتم معروف شبکه کانولوشنی VGG-19 به عنوان الگوریتم از پیش آموزش دیده شده استفاه شد. برای ارزیابی عملکرد مدل YOLO-v5 از پارامترهای ارزیابی صحت، حساسیت، دقت، F1-Score و mAP استفاده شد. نتایج حاصل از شناسایی ناخالصی ها نشان دادن که با استفاده از الگوریتم YOLO-v5، شش کلاس سالم و ناخالصی های دیگر به طور کامل و با دقت بالایی شناسایی و از هم بخوبی متمایز شدند. مقدار mAP-50برای همه کلاس ها بالاتر از ٪99 بدست آمد. همچنین مقدار mAP-50:95 برای همه کلاس ها بین 68 الی77٪ حاصل شد. با توجه به نزدیک بودن این ضریب برای تمامی کلاس ها، می توان گفت که مدل مذکور در شناسایی کلاس های مختلف بسیار موفق عمل کرده است. همچنین نتایج حاصل از شناسایی شبکه VGG-19 نشان داد که علی رغم نزدیکی بسیار زیاد ظاهری رقم ها به یکدیگر، این شبکه لایه عمیق توانایی نسبتا بالایی در شناسایی الگوهای مختلف دارد و می توان از این شب