Zastosowanie transformaty log-Hough'a i sieci neuronowych do identyfikacji połamanych ziaren pszenicy

• Autorzy: Kubiak A. , Mikrut Z.

Warianty tytułu

EN

The application of log-Hough transform and neural networks to identify broken wheat grains

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wykorzystanie transformaty log-Hough'a do otrzymania znormalizowanych reprezentacji obrysów ziarniaków pszenicy całych i połamanych. Reprezentacje te stanowiły dane wejściowe do sieci neuronowej ze wsteczną propagacją błędu (backpropagation) i metody k-Najbliższego Sąsiada. Skuteczność rozpoznania sieciami neuronowymi ziaren całych i połamanych wynosiła 97%, zarówno dla reprezentacji składającej się z mieszaniny 3 odmian pszenicy, jak i dla reprezentacji opartej na jednej odmianie. Skuteczność rozpoznania tych samych reprezentacji metodą k-Najbliższego Sąsiada wynosiła 92%.

EN

In the paper the use of log-Hough transform to receive standardized representations of whole and broken wheat grains outlines was presented. These representations were used as input data for Neural Networks [of backpropagation type] and k-Nearest Neighbor method. The recognition rate by Neural Networks of the whole and broken grains was 97% both for the representation consisting of the mixture of three wheat varieties and for the representation based on one variety. The recognition rate of the same representations by k-Nearest Neighbor method was 92%.

Słowa kluczowe

PL

sieci neuronowe; transformata log-Hough'a; identyfikacja połamanych ziaren pszenicy; ziarna pszenicy

EN

neural networks; log-Hough transform; identify broken wheat grains; wheat grains

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2004
• Tom: T. 8, z. 3
• Strony: 477--486
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wykr.

Twórcy

autor

Kubiak A.

• Katedra Inżynierii i Aparatury Procesowej, Wydział Nauki o Żywności, Uniwersytet Warmińsko-Mazurski w Olsztynie

autor

Mikrut Z.

• Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• [1] Barker D.A., Vouri T.A., Hegedus M.R., MeyersDG.: The use of ray parameters for discriminalion of Australian wheat varieties. Plant Varieties and Seeds, nr 5, 1992, 35—45
• [2] Chtioui Y., Panigrahi S., Backer L.F.: Rough sets theory as a pattern classification tool for quality assessment of edible beans. Transaction of the ASAE, vol. 42(4), 1999, 1145-1152
• [3] Commission Regulation (EC) nr 842/2000: Establishingprocedures for taking-over off cereals by intervention agencies and laying down methods of analysis for determining the quality of cereals. Official Journal of the European Communities L100.20.4, 31-50
• [4] Duin R.P.W.: PRTools Version 3.0 - a Matlab Toolbox for Pattem Recognition. Delft University of Technology, 2000, http://www.ph.tn.ntdelft.nl/prtools
• [5] Hough P.V.C.: Method and Means for Recognizing Complex Patterns. 1962, US Patent 3069654
• [6] Kubiak A., Fornal L.: Interaction between geometrical features and technological quality of polish wheat grains. Polish Journal of Food and Nutrition Sciences, t. 3 (44), nr 4, 1994, 75-85
• [7] Kubiak A., Mikrut Z.: Method for Detection of Wheat Crain Damage with Application of Neural Networks. Advances in Soft Computing, Proc. of the Sixth Int. Conf. on Neural Network and Soft Computing, Zakopane, Poland, June 11-15. Physica-Verlag 2003
• [8] Lee S., Choi Y: Unconstrained handwritten zip code recognition. Portland, Proc. WCNN, 1993
• [9] Majumdar S., Jayas D.S.: Classification of cereal grains using machine vision. I Morphology model. vol. 43(6), 2000, 1669-1675
• [10] Mikrut Z.: Recognition of objects normalised in Log-polar space using Kohonen networks. Proc. of the 2nd Int. Symp. lmage and signal processing and analysis, Pula, Croatia, 2001, 308-312
• [11] Mikrut Z., Kipczak M., Milek M.: Recognition of deeply processed object images using Kohonen networks. Proc. of the 5th Conf. „Neural Networks and Soft Computing", Zakopane, Polska, 2000, 693-700
• [12] Ohsawa R., Tsutsumi T., Uehara H., Namai H., Ninomiya S.: Quantitative evaluation of common buckwheat (Fagopyrum esculentum Moench) kernel shape by elliptic Fourier descriptor. Euphtica, nr 101, 1998, 175-183
• [13] Sandini G., Tistarelli M.: Fision and Space-Variant Sensing. In: H. Wechsler (ed.), Neural Networks for Perception. Boston, Academic Press Inc. 1992
• [14] Schwartz E.L.: Spatial mapping in the primate sensory projection: analytic structure and relevance to perception. Biological Cybernetics, no. 25, 1977, 181-194
• [15] Tadeusiewicz R., Mikrut Z.: Neural-Based Object Recognition Support: from Classical Preprocessing to Space-Fariant Sensing. Proc. of the ICSC/IFAC Symposium on Neural Computation '98, Vienna, Austria, 23-25 September, 1998, 463-468
• [16] Weiman C.F.R.: Polar exponential sensor arrays unify iconic and Hough space representation. SP1E, vol. 1192: Inteligent robots and computer vision VIII, 1989
• [17] Wilson J.C., Hodgson R.M.: Log-Poiar Mapping applied to pattern representation and recognition. In: L. Shapiro. A. Rosenfeld eds., Computer Vision and lmage Processing, Boston, Academic Press Inc. 1992
• [18] Zayas I., Pomeranz Y., Lai F.S.: Determination of wheat and non wheat components in grain samples by image analysis. Cereal Chemistry, no. 66, 1989, 233-237