Innowacyjna metoda rozpoznawania wybranych cech jakościowych nasion z wykorzystaniem analizy obrazu i sztucznych sieci neuronowych (SSN)

• Autorzy: Szwedziak K.

Warianty tytułu

EN

Innovative method for identifying selected qualitative characteristics of seeds using image analysis and artificial neural networks (ANN)

• Języki publikacji: PL

Abstrakty

PL

Badanie cech jakościowych ma coraz większe znaczenie ze względu na ustalenie ceny skupu oraz ze względu na dalsze przeznaczenie nasion. Po wejściu Polski do Unii Europejskiej surowce i produkty końcowe muszą sprostać wymogom stawianym przez pozostałe kraje członkowskie. Ważnym problemem współczesnego rolnictwa zrównoważonego jest produkcja nasion oraz produktów o odpowiednich parametrach jakościowych. Dotychczasowe badania dowodzą, że zarówno technologia zbioru, warunki transportu i suszenia a także przechowywanie wywierają wpływ na jakość nasion, warunkując ich przydatność dla przemysłu. Zadaniem przemysłu zbożowego jest, oprócz przetwórstwa, także odpowiednie zabezpieczenie w czasie magazynowania, aby zachować odpowiednie właściwości i walory smakowe nasion. W związku z tym istnieje konieczność ciągłej kontroli produktów jak również surowców magazynowanych. Przemysł rolno - spożywczy dysponuje jedynie metodami opartymi na ocenie sensorycznej, wykorzystującej narządy zmysłu. Metoda ta jest bardzo czasochłonna i pracochłonna. Poszukiwanie innowacyjnych metod pozwala na wdrożenie do przemysłu rolno - spożywczego technik opartych na komputerowej analizie obrazu i sztucznych sieci neuronowych. Założono zatem, że korzystając z komputerowej analizy obrazu oraz przygotowanej w tym celu aplikacji do przetwarzania i analizowania pozyskanych obrazów cyfrowych, wykorzystując model rozpoznawania barw RGB, pozwoli na szybkie uzyskiwanie wyników. Ma to znaczenie w czasie skupu zbóż do magazynów, w celu określenia wstępnej jakości przyjmowanych nasion pod względem zanieczyszczeń, co w konsekwencji prowadzi do ustalenia ceny skupowanego materiału. Drugim aspektem wykorzystania tej metody jest kontrola jakości przechowywanego ziarna w magazynach. Opracowanie takiej metody pozwoli na szybkie uzyskanie wyników z pominięciem czasochłonnych prac laboratoryjnych. Dodatkowym elementem pracy jest porównanie metody tradycyjnej z metodą komputerowej analizy obrazu. Do porównania wykorzystano sztuczne sieci neuronowe.

EN

Examination of qualitative characteristics becomes more and more important for fixing purchase price and due to further use of seeds. Following Poland accession to the European Union, raw materials and final products must meet requirements set by other member states. An important issue in modern sustainable agriculture is the production of seeds and products possessing suitable qualitative parameters. Studies completed to date prove that harvesting technology, transport and drying conditions, and storage affect seeds quality, thus conditioning their usability for industry. Besides processing, grain industry is expected to provide adequate protection during storage so as to ensure suitable properties and taste quality of seeds. As a result of this, it is necessary to provide continuous control of products and stored materials. Agricultural and food industry has at its disposal methods based on sensory assessment only, using sense organs. This method is highly timeconsuming and labour absorbing. Search for innovative methods allows to introduce techniques based on computerised image analysis and artificial neural networks in agricultural and food industry. It has been assumed then that using computerised image analysis and specially prepared for this purpose application for processing and analysis of obtained digital images with help of the RGB colour identification model will allow to obtain results quickly. This is important when purchasing grain for stores in order to determine initial quality of accepted seeds as regards impurities, which consequently leads to determining purchased material price. Another aspect of using this method is quality control for grain kept in stores. Development of such method will allow to obtain results quickly, omitting time-consuming laboratory works. An additional element in this paper is comparing conventional method to computerised image analysis method. Artificial neural networks have been used for comparison.

Słowa kluczowe

PL

analiza obrazu; RGB; Leaf; sztuczna sieć neuronowa; SSN; cechy jakościowe; nasiona; ocena sensoryczna; magazynowanie

EN

image analysis; RGB; Leaf; artificial neural network; qualitative characteristics; seeds; sensory assessment; storage

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2009
• Tom: R. 13, nr 4
• Strony: 7--52
• Opis fizyczny: Bibliogr. 131 poz., rys., tab.

Twórcy

autor

Szwedziak K.

• Politechnika Opolska, Wydział Mechaniczny, Katedra Techniki Rolniczej i Leśnej,

Bibliografia

• Adewumi B.A., Ademosun O.C., Ogunlowo A.S. 2006. Preliminary investigation on the distribution and soread pattern of cowpea in a cross flow grain separator. Agricultural Engineering International. Vol. VIII:1-12.
• Aguilera J.M., Cipriano A., Erana M., Lillo I., Mery D., Soto A. 2004. Computer Visio for quality control in latin american food industry, a case study. Food Australian 57(3):79-87.
• Anders A. 2007. Analiza obrazu jako metoda oceny skuteczności obłuskiwania okrywy nasion gorczycy. Acta Agrophysica 10(2): 263-271.
• Arnold P.C., McLean A.G., Roberts A. 1981. The design of storage bins for bulk solids handling. Bulk Solids Handling, 1, 1, 7-17.
• Augustini Ch. Videoanalyse erstetzt Auge. DLG-Mitt: 8:61-62.
• Barker D.A., Vouri T.A., Hegedus M.R., Mayers D.G. 1992a. The use of ray parameters for the discrimination of Australian wheat varieties. Plant Varieties and Seeds 5: 35-45.
• Barker D.A., Vouri T.A., Mayers D.G. 1992b. The use of silice and aspect ratio parameters for the discrimination of Australian wheat varieties. Plant Varieties and Seeds 5: 47-52.
• Benson E.R., Reid J.F., Zhang Q. 2003. Machine vision-based guidance system for agricultural grain harvesters using cut-edge detection. Biosystems Eng. Vol.86 nr 4: 389-398.
• Biaganzoli E., Boracchi P., Marubini E. 2002: A general framework for neural network models on censored survival data. Neutral Nertwork, 15, 209-218.
• Białobrzewski I. 2005. Porównanie algorytmów uczenia sieci neuronowej jednokierunkowej, z czasowym opóźnieniem, wykorzystywanej do predykcji wartości temperatury powietrza atmosferycznego. Inżynieria Rolnicza 8(68): 7-14.
• Białobrzewski I. 2005. Wykorzystanie sieci neuronowej do estymacji wartości wilgotności względnej powietrza na podstawie wartości jego temperatury. Inżynieria Rolnicza 1(61):15-22.
• Białobrzewski I., Markowski M., Bowszys J. 2005. Symulacyjny model zmian pola temperatury w silosie zbożowym. Inżynieria Rolnicza 8(60): 23-30.
• Bickert Ch. 2000. Einheitlichere Erntequalitaten. DLG-Mitt.2: 24-27.
• Biller R.H., Ihle W. 2000. Pflanzenunterscheidung mit optischen Sensoren.Landtechnik. 55/2: 148-149.
• Billingsley J., Schoenfisch M. 1997. The successful development of a vision guidance system for agriculture. Comp.Electronics agricult. Vol.16 nr 2: 147-163.
• Billingsley J., Schoenfisch M. 1997. The successful development of vision guidance system for agriculture. Computers and Electronics in Agriculture. Vol. 16 nr 2: 147-163.
• Boniecki P. 2004. Sieci neuronowe typu MLP oraz RBF jako komplementarne modele aproksymujące w procesie predykcji plonu pszenżyta. Journal of Research and Application in Agricultural Engineering, 49.
• Boniecki P. 2005. Liniowe sieci neuronowe a metody analizy regresji w aspekcie ich wykorzystania w inżynierii rolniczej. Inżynieria Rolnicza 2(62), 31- 43.
• Boniecki P., Mueller W., Weres J. 2000. Wspomagająca rola technik neuronowych w ocenie niejednorodności przepływu powietrza przez złoże kamienne. Mat. Konf. „ Zastosowanie Technologii Informacyjnych w Rolnictwie” Kazimierz Dolny - Lublin.
• Boniecki P., Paryś A. 2006. Sztuczne sieci neuronowe jako narzędzie wspomagające proces numerycznego przetwarzania w problemach inżynierii rolniczej. Journal of Research and Application in Agricultural Engineering 51(1).
• Boniecki P., Przybył J. 2003. Zastosowanie sieci neuronowych do prognozowania plonu roślin rolniczych na przykładzie buraka cukrowego. Inżynieria Rolnicza 12 (54),, 39-46.
• Boss J. 1984. Maszyny i urządzenia przemysłu spożywczego. Skrypt Uczelniany WSI w Opolu nr 82, Opole.
• Brandl N., Jorgensen E. 1996. Determination of live weight of pigs from dimensions measured using image analysis. Comp.Electronics agricult. Vol. 15 nr 1: 57-72.
• Bubliński Z., Cetnarowicz K. 1991. Zastosowanie elementu składowego do przetwarzania obrazów optycznych. Elektrotechnika, Tom 10, zeszyt 1.
• Buermann M., Schmid R., Reitz P. 1995. Bruchjornbestimmung - Automatisiertes Verfahren mit digitaler Bildanalyse. Landtechnik 50(4): 200-201.
• Bull C.R., McFarlane N.J.B., Zwiggelaar R., Allen C.J., Mottram T.T. 1995. Inspection of teats by colour image analysis for automatic milking system. Comp.Electronics agricult. Vol. 15 nr 1: 15-26.
• Burbianka M., Burzyńska H., Pliszka A. 1983. Mikrobiologia żywności. PZWL, Warszawa.
• Centarowicz K. 1985. Partical transformation method for the resoration of degraded image. Scientifick Bulletin of the faculty of Engineering Ain Shams University, vol.2, No., 17., pp.78-85.
• Choroś K., Król D. 1994. Przetwarzanie obrazów w multimedialnych systemach informacyjnych. Raporty Bibl. Gł. OINT Wroc., Ser. SPR; nr 202.
• Chromiec J., Strzemieczna E. 1995. Sztuczna inteligencja. Metody konstrukcji i analizy systemów eksperckich. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Close R., Tamura S., Natio H. 1995. Estimation of motion from sequential images using integral constraints. Pattern Recognition., Vol. 28, No. 1, pp. 1-9.
• Crowe T.G., Luo X.Y, Jayas D.S, Bulley N.R. 1997. Color line-Scan imaging of cereal grain kern. Applied Engineering in Agriculture. Vol 13(5): 689-694.
• Deans S. G., Svoboda K. P., Ritchie G. A. 1988. Changes in microflora during oven - drying of culinary herbs. J. Hortic. Sci. 63(1), 137-140.
• Delwiche S.R. 1995. Single wheat kernel analysis by near infra red transmittance: protein kontent. Cereal Cem. 72(1): 29-35.
• Doros M. 2003. Przetwarzanie obrazów. WSISiZ. ISBN: 83-88311-39-5.
• Dowell F.E., Throne J.E., Baker J.E. 1998. Automated nondestructive detection of internal insects infestations of wheat kernels using near infra red reflectance spectroscopy. J. Econ. Entomol. 91(4): 899-904.
• Engelke B. 2000. Zur Reglung von Garaten in der ganzflaching mechanischen Unkrautbekampfung. Landtechnik 55(2): 146-147.
• Firstenberg R.,Mannheim C. H., Cohen A. 1974. Microbiol quality of dehydrated onions. J.Food Sci. 39, 685-688.
• Formal Ł. 2000. Jakość ziarna zbóż, jak się określa i od czego zależy. Biuletyn W-MIR 7/8.
• Francik S. 2005. Próba zastosowania sztucznych sieci neuronowych do oceny nowoczesności maszyn rolniczych. Inżynieria Rolnicza 8(68): 63-70.
• Francik S. 2005. Prognozowanie ceny ogórka szklarniowego za pomocą sieci neuronowych. Inżynieria Rolnicza 14(74), 91-97.
• Francik S., Hebda T. 2005. Model gęstości nasion jęczmienia jarego przy wykorzystaniu sztucznych sieci neuronowych. Inżynieria Rolnicza 10(70), 83-90.
• Frączek J. 2005. Cyfrowa analiza obrazu w technice rolniczej, Inżynieria Rolnicza 6(66):149-158. ISSN 1429-7264.
• Frączek J. Ślipek Z. 2006. Modele roślinnych struktur ziarnistych. Inżynieria Rolnicza 12: 145-154.
• Giese J. 2005. Color measurement in foods. Food Technology 57(12).
• Gonzales - Barron U., Butler F. 2006. Statistical and spectral texture analysis methods for discrimination of bread crumb images. IUFoST World Congres of Food Science and Technology.
• Granitto P.M., Verdes P.F., Ceccatto H.A. 2000. Automatic identification of weed seeds. Computers and Electronics in Agriculture 33: 91-103.
• Grudziński J., Panasiewicz M. 2000. Wspomaganie doradztwa rolniczego przy wykorzystaniu technik informatycznych - perspektywy i ograniczenia. Inżynieria Rolnicza 7(18), 54-59.
• Grudziński J., Panasiewicz M. 2000. Wspomaganie doradztwa rolniczego przy wykorzystaniu technik informatycznych - perspektywy i ograniczenia. Inżynieria Rolnicza 7(18), 54-59.
• Hebda T., Francik S. 2006. Model twardości ziarniaków pszenicy wykorzystujący sztuczne sieci neuronowe. Inżynieria Rolnicza 13(88): 139-146.
• Hebda T., Francik S. 2006b. Wykorzystanie SSN do wyznaczania twardości ziarna pszenicy. Inżynieria Rolnicza 12(87), 181-188.
• Hebisz T. 2003. Multimedia i grafika komputerowa. Modele barw. Instytut Sterowania i Systemów Informatycznych, Wrocław.
• Hemming J., Rath T. 2001. Computer vision based weed identification under field conditions using controlled lighting. J. Agric.Enang.Res. 78(3): 233-243.
• Hertz J., Krogh A., Palmer R.G. 1993. Wstęp do teorii obliczeń neuronowych. Wydawnictwo Naukowo Techniczne, Warszawa.
• Horubała A. 1975. Podstawy przechowalnictwa żywności. PWN, Warszawa.
• Jayas D.S., Karunakaran C., Paliwal J. 2004. Grain Qualitymonitoring Rusing machine Visio and soft X-Rays for cereal grains. International Quality grains Conference Proceedings.
• Kachel-Jakubowska M. 2008. Ocena jakości nasion rzepaku ozimego pod względem stopnia zanieczyszczenia. Inżynieria Rolnicza 2(100): 75-81.
• Kachel-Jakubowska M., Szpryngiel M. 2006. Jakość surowca oceniana na podstawie stopnia uszkodzenia nasion rzepaku. Inżynieria Rolnicza 13(88): 155-165.
• Kamiński R. 1991. Cyfrowe przetwarzanie obrazu. Sat - Audio - Video nr 3, Warszawa.
• Kierzenkowski K. 1995. Algorytmy przetwarzania obrazów cyfrowych. Elektronizacja nr 3.
• Kolowca J. 2006. Wpływ wielokrotnych obciążeń statycznych na stopień zagęszczenia i właściwości reologiczne masy ziarna. Inżynieria Rolnicza 13: 193-199.
• Kornacki A. 2004. Zastosowanie wieloimiennej analizy wariancji do badania uszkodzeń ziarna powstałych przy omłocie pszenicy w ośmiobębnowym zespole młócąco - wydzielającym. Acta Sci. Pol., Technica Agraria 3(1-2): 3-10.
• Kornacki A. 2005. A study Rusing a multivariate analysis the macro and micro damage of grain in a three drum threshing separating set. EJPAU 8(2).
• Kosiński R. 2000. Sztuczne sieci neuronowe. WNT, Warszawa.
• Koszela K., Boniecki P., Weres J. 2005. Ocena efektywności neuronowego prognozowania w oparciu o wybrane metody na przykładzie dystrybucji produktów rolniczych. Inżynieria Rolnicza 2(62), 69-76.
• Koszela K., Weres J. 2005. Analiza i klasyfikacja obrazów suszu warzywnego z wykorzystaniem sztucznych sieci neuronowych. Inżynieria Rolnicza 2(62), 77-82.
• Królczyk J., Tukiendorf M. 2007. Ocena jakości wieloskładnikowej niejednorodnej mieszaniny ziarnistej. Inżynieria Rolnicza 2(90): 119-127.
• Li J., Liao G., Ou Z., Jin J. 2007. Rapeseed seeds classification by machine vision. Intelligent Information Technology Application, Workshop on Volume, Issue.
• Licznar P. 2005. Ocena możliwości stosowania sztucznych sieci neuronowych dla określenia średniej rocznej wartości wskaźnika erozyjności deszczy. Acta Agrophysica 5(1): 65-74.
• Liu Z., Cheng F. Ying Y., Rao X. 2005. Identification of rice seed varieties using neural network. Journal of Zhejiang University Science 6B(11): 1095-1100. ISSN 1009-3095.
• Łapczyńska-Kordon B. 2003. Komputerowa analiza obrazu w oznaczaniu skurczu suszarniczego, Inżynieria Rolnicza 11(53): 145-149.
• Łapczyńska-Kordon B., Francik S., Frączek J., Ślipek Z. 2006. Modelowanie skurczu suszarniczego wybranych warzyw korzeniowych za pomocą sieci neuronowych. Inżynieria Rolnicza 13(88), 303-311.
• Malina W., Smiatacz M. 2005. Metody cyfrowego przetwarzania obrazów. Akademicka Oficyna Wydawnicza Exit.
• Manickavasagab A., Sathya G., Jayas D.S., White N.D.G. 2008. Wheat class identification using monochrome images. Journal of Cereak Science 47:518-527.
• Mantiuk R. 2006. Barwa w grafice komputerowej. Zakład grafiki komputerowej. Wrocław.
• Marchant J.A., Hauge T., Tillett N.D. 1997. Row - fllowing accuracy of an autonomous vision guided agricultural vehicle. Computers and Elektronics in Agriculture Vol. 16 nr 2: 165-175.
• Mladenov M., Dejanov M. 2004. Analysis of the possibilities for separator colour and texture features. Proceedings of International Conference Bulgaria.
• Mohan A.L., Jayas D.S., White N.D.G., Karunakaran C. 2004. Classification of bulk oilseeds, specialty seeds and pulses using their reflectance characteristics. International Quality grains Conference Proceedings.
• Morimoto T., Purwanto W., Suzuku J., Hashimoto Y. 1997. Optimization of heat treatment for fruit during storage using neural networks and genetic algorithms. Computers and Elektronics in Agriculture Vol. 19 nr 1: 87-101.
• Nair M., Jayas D.S. 1998. Dockage identification in wheat using machine vision. Can. Agricult.. Eng. Vol.40 nr 4: 293-298.
• Niżewski P., Boniecki P. 2006. Neuronowy system komputerowy prognozujący poziom emisji amoniaku po nawożeniu gnojowicą. Journal of Research and Applications in Agricultural Engineering. Vol. 51(4): 44-47.
• Obuchowski W., Gąsiorowski H., Kołodziejczyk P. 1981. Twardość ziarna pszenicy jako kryterium jego jakości. Postępy Nauk Rolniczych 5(81), 97-107.
• Olszewski T., Boniecki P., Weres J. 2005. Algorytmy genetyczne jako narzędzie optymalizacyjne stosowane w sieciach neuronowych. Inżynieria Rolnicza 2(62), 137-143.
• Osowski S. 1996. Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwo Naukowo Techniczne, Warszawa.
• Otha Y.I., Kkanade T., Sakai T. 1980. Color information for region segmentation. In Computer graphics and Image Processing 13:222-241.
• Overturf L.A., Comer M.L., Delp E.J. 1995. Color image coding using morphological pyramid decomposition. IEEE Transactions on Image Processing 4(2): 177-185.
• Paliwal J., Borhan M.S., Jayas D.S. 2004. Classification of cereal grains usig a flabed scanner. Canadian Biosystems Engineering. Vol. 46: 1-5.
• Paul A., Fuerst W., Thomas B. 1998. Introductory digital signal processing whit computer applications. John Wiley and Sons. ISBN 9780471976318.
• Pavlidis T. 1987. Grafika i przetwarzanie obrazów. WNT Warszawa, ISBN: 83-204-0894-6.
• Persson A. 1998. Image analysis of shape and sitze of fine aggregates. Engineering Geology 50: 177-186.
• Pratt K. 1978. Digital Image Processing. Wiley&Sons, New York.
• Reinhard E., Ward G., Pattanaik S., Devbevec P. 2005. High Dynamick Range Imaging. The Morgan Kaufman Series in Computer Graphics.
• Sadowska U. Uszkodzenia ziarna jęczmienia nago i okryto ziarnistego podczas omłotu kombajnowego zbioru. Inżynieria Rolnicza 13: 409-415.
• Schlick H., Gehbauer F., Auchter A., Gallinat J. 1996. Relationships Between Flow Properties and the Process of Loading in Silos With Central Cones and Plough Feeder Discharge. Bulk Solids Handling, Vol.16, Number 2.
• Schulze D. 1996. Silos-Design Variants and Special Types. Bulk Solids Handling, Vol. 16, Number 2.
• Shao J., Xin H., Harmon J.D. 1997. Comparision of image feature extraction for classification of swine thermal comfort behavior. Comp.Elektronics Agricult. Vol.19 nr 3: 223-232.
• Shatadal P., Jayas D.S., Bulley N.R. 1995. Digital image analysis for software separation and classification of touching grains. Trans. ASAE. 38(2): 645-649.
• Skiba K., Kachel M., Tys J., Szpryngiel M. 2006. Jakość technologiczna nasion rzepaku pochodzących z doświadczeń odmianowo - nawozowych. Inżynieria Rolnicza 6: 265-273.
• Sonka M., Hlavac V., Boyle R. 1998. Image processing, analysis and machine vision. Brooks Cole 2.
• Ślipek Z., Francik S., Frączek J. 2003. Metodyczne aspekty tworzenia modeli SSN w zagadnieniach agrofizycznych. Acta Agrophysica 2(1):231-241.
• Tadeusiewicz R. 1998. Elementarne wprowadzenie do technik sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Tadeusiewicz R. 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa.
• Tadeusiewicz R. 1998. Elementarne wprowadzenie do technik sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza, Warszawa.
• Tadeusiewicz R. 2001. Wprowadzenie do sieci neuronowych. StatSoft Polska, Kraków.
• Tadeusiewicz R., Kohorda P. 1997. Komputerowa analiza i przetwarzanie obrazów, Wydawnictwo Fundacji Postępu Telekomunikacji. Kraków. ISBN 83-86476-15-X.
• Thiessen E. 2000. Sensorgesteuerte Stickstoffdungung. Landtechnik 55(2): 144-145.
• Trajer J. 2005. Sztuczne sieci neuronowe w modelowaniu procesów z ograniczonym zbiorem danych w inżynierii rolniczej. Inżynieria Rolnicza 2(62), 173-180.
• Trajer J., Jaros M. 2005. Zastosowanie metod sztucznej inteligencji do oceny zmian jakości wybranych warzyw w procesie ich suszenia i przechowywania. Wydawnictwo SGGW, Warszawa.
• Tukiendorf M. 2002. Porównanie sposobów modelowania procesu mieszania jednorodnych układów ziarnistych przy użyciu modelu stochastycznego oraz metody wstecznej propagacji w technice sztucznych sieci neuronowych. Inżynieria Rolnicza. Nr 2 (35). s. 315-320.
• Tukiendorf M. 2005a. Przykład zastosowania sieci neuronowej w modelowaniu procesu mieszania układów ziarnistych. Inżynieria Rolnicza 7(76),375-382.
• Tukiendorf M. 2005b. Zastosowanie sieci FBM w neuronowym modelowaniu mieszania dwuskładnikowych układów ziarnistych. Inżynieria Rolnicza 14(74), 367-373.
• Vapnik V. 1998. Statical learning theory. John Wiley and Sons, New York.
• Visen N.S. Paliwal J., Jayas D.S., White N.D.G. 2004. Image analysis of bulk grain samples using neural networks. Canadian Biosystems Engineering. Vol. 46: 11-15.
• Visen N.S., Shasihidahar N.S, Paliwal J., Jayas D.S. 2001. Identification and segmentation of occluding groups of grain kernels in a grain sample image. J. agric.Engng Res. 79(2): 159-166.
• Wang W., Paliwal J. 2006. Separation and identification of touching kernels and docage components in digital images. Canadian Biosystems Engineering. Vol.48:1-6.
• Watchareeruetai U., Takeuchi Y., Matsumoto T., Kudo H., Ohnishi N. 2006. Computer vision based for detecting weeds in lawns. Machine Vision and Applications. Vol.17 nr 5: 287-296.
• Witkowska D. 2002. Sztuczne sieci neuronowe i metody statystyczne. Wydawnictwo C. H. Beck, Warszawa.
• Wojciechowski K. 1987. Rozpoznawanie obrazów. Wydawnictwo Politechniki Śląskiej, Skrypty Uczelniane, Gliwice.
• Wojnar L., Majorek W. 1994. Komputerowa analiza obrazu. Fotobit Design, Kraków.
• Xin H. 1997. Too hot Or too cold? Ask the pigs. Resource. Vol.4 nr 1:7-8.
• Yun Hing-sun., Lee Won - ok., Chung Hoon., Lee Hyung - dong., Son Jaeeyong., Cho Kwang -hwan., Park Won - kyu. 2002. A computer vision system for rice kernel quality evolution. ASAE Meeting Presentation Paper Number 023130.
• Zagajski P., Dreszer K.A. 2006. Stan badań teoretycznych nad omłotem i wydzielaniem ziarna z masy zbożowej. Journal of Research and Applications in Agricultural Engineering. Vol. 51(4): 4-9.
• Zapotoczny P. 2002. Pomiar wielkości geometrycznych ogórków z wykorzystaniem komputerowej analizy obrazu. Inżynieria Rolnicza 4 (38), 57-64.
• Zapotoczny P., Białobrzewski I. 2002. Pomiar barwy z wykorzystaniem komputerowej analizy obrazu. Inżynieria Rolnicza 4(38), 65-72.
• Zapotoczny P., Zielińska M., Nita Z. 2008. Application of image analysis for the varietal classification of barley: Morphological features. Journal of Cereal Science 48:104-110.
• Zapotoczny P. 2005. Wpływ rozdzielczości i kompresji obrazu na błąd pomiaru geometrii oraz barwy ziarniaków zbóż. Inżynieria Rolnicza nr 8(68): 417-425. ISSN 1429-7264.
• Zelelew H.M., Papagiannakis A.T., Masad E. 2008. Application of digital image processing techniques for asphalt concrete mixture images. International Association for computer methods and advances in geomechanics. Goa. India. 119-124.
• Zieliński K., Strzelecki M. 2002. Komputerowa analiza obrazu biomedycznego. PWN, Warszawa.
• Żabiński A. 2007. Uszkodzenia nasion soczewicy grubo i drobnonasiennej podczas zbioru kombajnowego. Inżynieria Rolnicza 7(95): 265-272.
• Żłobecki A., Macura R., Michalczyk M. 2006. Modelowanie procesu omłotu przy wykorzystaniu sztucznych sieci neuronowych. Inżynieria Rolnicza 13: 451-460.
• Żurada J., Barski M. 1996. sztuczne sieci neuronowe. Wydawnictwo Naukowe PWN, Warszawa.