توصيفگر ها :
بن‌سرخ , موسير , مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاسي (SIMCA) , شبكه‌هاي عصبي مصنوعي (ANN)) , افزايش گراديان درخت تصميم هيستوگرام (HGB) , وزن‌دهي مجدد تطبيقي رقابتي (CARS)
چكيده فارسي :
سبزيجات، به‌عنوان بخش مهمي از كشاورزي، تأثيرات بسياري روي بهره‌وري زمين و اشتغال دارند. در ميان سبزيجات، خانواده پيازي‌ها، از جمله مهم‌ترين و قديمي‌ترين گياهان زراعي هستند. آن‌ها نه تنها اهميت غذايي بالايي دارند، بلكه در تناوب زراعي و حفظ حاصلخيزي زمين‌هاي كشاورزي نيز نقش مهمي ايفا مي‌كنند. با اين حال، انتخاب بذر مرغوب براي دستيابي به محصول با كيفيت بالا، امري ضروري است. متأسفانه، افزايش قيمت بذر و تقاضاي بالا براي ارقام خاص، زمينه را براي افزايش بذرهاي تقلبي در بازار، بخصوص در گونه‌هاي آليوم فراهم كرده است. اين معضل، حتي شركت‌هاي معتبر را نيز در تشخيص بذر تقلبي ناتوان مي‌سازد و به بي‌اعتمادي كشاورزان و آسيب به برند شركت‌ها منجر مي‌شود. بنابراين، روشي كه بتواند بذرها را سريع و دقيق تفكيك كند و تقلب را تشخيص دهد، امري ضروري است. در اين پايان‌نامه، توانايي روش‌هاي طيف‌سنجي مرئي- فروسرخ نزديك (Vis-NIR) و تصويربرداري ابرطيفي (HSI) در تشخيص بذر گونه‌هاي مختلف آليوم مورد ارزيابي قرار گرفت. بذر هفت گونه مختلف آليوم شامل موسير، تره بومي، تره شادگاني، پياز قرمز، پياززرد، پياز سفيد و بن‌سرخ مورد آزمايش قرار گرفتند. براي انجام اين آزمايش، از يك طيف‌سنج آرايه ديودي در محدوده‌ي 1100-400 نانومتر و يك دوربين ابرطيفي اسكن خطي در محدوده طيفي 1000-400 نانومتر براي ثبت طيف‌ها و تصاوير ابرطيفي از بذر گونه‌هاي مختلف آليوم استفاده شد. براي اندازه‌گيري طيف بذر، نمونه‌ها در پتري‌ديش قرار داده شد و پس از ثبت سه طيف مختلف در مد بازتابشي، ميانگين آن‌ها به‌عنوان طيف مستقل بذر آن نمونه در نظر گرفته شد. براي ثبت داده‌هاي HSI، پتري‌ديش حاوي بذر در مقابل دوربين و 6 منبع نور هالوژني با توان 50 وات قرار گرفت و تصوير آن در وضعيت بازتابشي گرفته شد. در مرحله بعد، بذر بن‌سرخ با ناخالصي موسير در 5 سطح مختلف شامل 10، 20، 30، 40 و 50 درصد ناخالصي مخلوط شدند و تصاوير ابرطيفي از هر يك از سطوح مختلف تقلب بدست آمد. به منظور تحليل طيف‌هاي بدست آمده، ابتدا و انتهاي طيف‌ها بدليل نويز، حذف و سپس پيش‌پردازش‌هاي مختلف بر روي طيف‌ها اعمال شد. داده‌هاي طيف‌سنج با روش طبقه‌بندي مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاسي (SIMCA) طبقه‌بندي شدند. بهترين قدرت تفكيك با پيش‌پردازش مشتق مرتبه دوم بدست آمد كه منجر به دقت كل 59/98 درصد در تشخيص بذر گونه‌هاي مختلف شد. داده‌هاي HSI با روش‌هاي شبكه‌هاي عصبي مصنوعي (ANN) و افزايش گراديان درخت تصميم هيستوگرام (HGB) به همراه پيش‌پردازش فيلتر ميانه به منظور تشخيص بذر گونه‌هاي مختلف طبقه‌بندي شدند. بهترين قدرت تفكيك مربوط به مدل HGB با دقت كل 83/97 درصد بود كه توانست بطور ميانگين بيش از 96 درصد پيكسل كلاس‌هاي مختلف بذر را به درستي طبقه‌بندي كند. در مقابل روش ANN با دقت 91 درصد توانست بطور ميانگين بيش از 66 درصد پيكسل كلاس‌هاي بذر را به درستي طبقه‌بندي كند. همچنين براي تفكيك و تعيين درصد خلوص بذر بن‌سرخ از بذر موسير از مدل اجماع يا Voting با پيش‌پردازش فيلترهاي دوطرفه و ميانه استفاده شد. نتايج بدست آمده با پيش‌پردازش فيلتر ميانه در مقايسه با پيش‌پردازش فيلتر دوطرفه، نشان‌دهنده برتري مدل مبتني بر فيلتر ميانه بود كه توانست عملكردي قابل قبول در تشخيص همه سطوح تقلب داشته باشد. اين در حالي بود كه پيش‌پردازش فيلتر دوطرفه تنها در سطح تقلب 20 درصد عملكرد خوبي داشت. علاوه بر اين، با استفاده از روش وزن‌دهي مجدد تطبيقي رقابتي (CARS) طول‌موج‌هاي مؤثر در روش HSI شناسايي شدند. براي تشخيص بذر گونه‌هاي آليوم، دقت كل مدل HGB با طول‌موج‌هاي مؤثر برابر 94 درصد بود. دقت كل با روش Voting مبتني بر طول‌موج‌هاي مؤثر برابر 96 درصد بود. بطور كلي، نتايج اين پايان‌نامه نشان داد روش‌هاي طيف‌سنجي Vis-NIR به كمك مدل‌سازي SIMCA و HSI با مدل HGB ابزارهاي توانمندي در تشخيص بذر گونه‌هاي مختلف آليوم هستند.
چكيده انگليسي :
Vegetables, as an integral component of agriculture, have a profound impact on land productivity and employment. Among them, bulb vegetables are some of the most important and earliest cultivated crops. These plants hold immense nutritional value and play a pivotal role in crop rotation and soil fertility. However, selecting high-quality seeds is paramount to achieving superior crop yields. Unfortunately, the rising cost of seeds and the high demand for specific varieties have led to an increase in adulterated seeds in the market, particularly among Allium species. This issue challenges even reputable companies in distinguishing adulterated seeds, leading to distrust among farmers and damage to company brands. Therefore, a method capable of rapid and accurate seed differentiation and adulteration detection is essential. This thesis delves into the potential of visible-near infrared (Vis-NIR) spectroscopy and hyperspectral imaging (HSI) techniques in identifying seeds of various Allium species. To conduct this investigation, a diode array spectrometer operating within the 400-1100 nm range and a line-scanning hyperspectral camera spanning the 400-1000 nm spectral range were employed to capture spectra and hyperspectral images of seeds from the different Allium species. For seed spectral measurements, samples were placed in Petri dishes, and three spectra were recorded in reflectance mode. The average of these spectra was considered the representative seed spectrum for that sample. HSI data acquisition involved placing the Petri dish containing seeds in front of the hyperspectral camera and six 50-watt halogen light sources. The image was captured in reflectance mode. Subsequently, Bonsorkh seeds were adulterated with Shallot seeds at five contamination levels: 10%, 20%, 30%, 40%, and 50%. Hyperspectral images of each adulteration level were obtained. To analyze the acquired spectra, the initial and final portions of the spectra were removed due to noise, followed by various preprocessing techniques. The spectrometer data were classified using the soft independent modeling of class analogy (SIMCA) classification method. The highest discrimination power was achieved with the second-derivative preprocessing, resulting in an overall accuracy of 98.59% in classifying seeds from different species. HSI data were classified using artificial neural networks (ANN) and histogram gradient boosting decision tree (HGB) methods along with median filter preprocessing to identify different seed species. The HGB model exhibited the best discrimination power, achieving an overall accuracy of 97.83%, and on average, correctly classifying over 96% of the pixels in the different seed classes. In contrast, the ANN method achieved an accuracy of 91%, correctly classifying over 66% of the seed class pixels on average. Furthermore, a Voting model was employed with bilateral and median filter preprocessing to differentiate and determine the purity percentage of Bonsorkh seeds from Shallot seeds. The findings illustrated the effectiveness of the median filter over the bilateral filter. The model utilizing the median filter displayed satisfactory performance in detecting various levels of adulteration, whereas the model employing the bilateral filter only yielded acceptable results at a 20% adulteration level. Additionally, the competitive adaptive reweighting scheme (CARS) was utilized to identify the effective wavelengths in the HSI method. For Allium seed identification, the overall accuracy of the HGB model with effective wavelengths was 94%. The overall Voting method accuracy based on effective wavelengths was 96%. In conclusion, the findings of this thesis underscore the efficacy of Vis-NIR spectroscopy employing SIMCA modeling and HSI with the HGB model as powerful tools for identifying seeds of various Allium species.
