TY - JOUR ID - 147968 TI - امکان‌سنجی تشخیص و درجه‌بندی فیزیکی خرمای مضافتی با استفاده از روش پردازش تصاویر دیجیتال و الگوریتم ماشین ‌بردار پشتیبان JO - پژوهش و نوآوری در علوم و صنایع غذایی JA - JRIFST LA - fa SN - 2252-0937 AU - تکلوزاده, مقداد AU - محبی, محبت AU - تقی زاده, مسعود AD - گروه علوم و صنایع غذایی، دانشگاه فردوسی مشهد، مشهد، ایران Y1 - 2023 PY - 2023 VL - 12 IS - 3 SP - 259 EP - 272 KW - پردازش تصویر دیجیتال KW - درجه‌بندی KW - ماشین ‌بردار پشتیبان KW - ویژگی‌های کیفی خرمای مضافتی DO - 10.22101/JRIFST.2022.275507.1234 N2 - روش‌های سنتی درجه‌بندی خرما به‌ علت نبود ویژگی‌های کمی مشخص باعث درجه‌بندی ناصحیح شده و اتلاف زمان و هزینه ایجاد می‌کند. درجه‌بندی خرما براساس الگوریتم‌های طبقه‌بندی می‌تواند اختلاف‌نظر فروشنده و خریدار را کاهش دهد. در این تحقیق شناسایی برخی ویژگی‌های کیفی خرمای مضافتی و درجه‌بندی آن به چهار دسته (درجۀ 1، 2، ۳ و ۴) طبق نظر‌های استخراج‌شده از واردکنندگان خرمای مضافتی کشور روسیه انجام شده است و برای ایجاد ارتباط معنی‌دار بین کیفیت خرما و برنامۀ پردازش تصویر در محیط متلب، ماشین ‌بردار پشتیبان مورد استفاده قرار گرفت. نتایج ماشین بردار پشیتبان خطی، کوادراتیک، کوبیک و گوسین متوسط دارای دقت ۱۰۰ درصد بوده، یعنی توانسته است درجه‌بندی را به‌طورکامل انجام دهد. برای درک چگونگی عملکرد درجه‌بندی‌شدۀ انتخاب‌شده در هر درجه، از طرح ماتریس اغتشاش استفاده شده است. منحنی مشخصۀ عامل گیرنده نرخ درجه‌بندی مثبت در مقابل نرخ مثبت کاذب را برای انتخاب آموزش درجه‌بندی، ارائه می‌دهد. نرخ مثبت 0/97 در درجۀ اول نشان می‌دهد که طبقه‌بندی‌کنندۀ فعلی 0/97 از مشاهده‌ها را به‌درستی به درجۀ مثبت اختصاص می‌دهد. به‌منظور صحت‌سنجی نهایی از ضریب کاپا استفاده شده است که با نظر خبرگان نیز میزان درستی درجه‌بندی موردبررسی قرار گرفته است. تمام مقادیر کاپا بزرگ‌تر از 0/6 بوده و دارای پایداری کافی است. همچنین بیشترین کاپا مربوط به روش کوبیک بیش از 0/8 و کمترین مربوط به گوسین کامل با مقدار 0/76 است. باتوجه‌به دقت و صحت پیاده‌سازی با ماشین بردار پشتیبان این روش با بازده بالایی قابلیت درجه‌بندی خرما را با ویژگی‌های استخراج‌شده دارد. UR - https://journals.rifst.ac.ir/article_147968.html L1 - https://journals.rifst.ac.ir/article_147968_ca7db91a9d769b05332f9062e37e7095.pdf ER -