Classification of Omani’s Dates Varieties Using Artificial Intelligence Techniques
| العنوان بلغة أخرى: |
تصنيف التمورالعمانية باستخدام تقنيات الذكاء الاصطناعي |
|---|---|
| المؤلف الرئيسي: | العبرية، سليمة سالم (مؤلف) |
| مؤلفين آخرين: | Awadalla, Medhat (Advisor) , Ammari, Ahmed Chiheb (Advisor) , Khriji, Lazhar (Advisor) |
| التاريخ الميلادي: |
2019
|
| موقع: | مسقط |
| الصفحات: | 1 - 63 |
| رقم MD: | 1048165 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية الهندسة |
| الدولة: | عمان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
90
| المستخلص: |
يعتبر التمر من أكثر الفواكه شعبية في الشرق الأوسط. سلطنة عمان هي واحدة من الدول التي لديها العديد من أنواع التمور وأكثرها شهرة وهي الخلاص والفرض والخنيزي. تتم في الوقت الحاضر عملية تصنيف الأنواع المختلفة من التمور في مصانع التمور يدويا. تؤثر العملية اليدوية على جودة التمور وتستغرق وقتا طويلا لإنجازها. الهدف من هذا المشروع هو تصنيف ستة أنواع مختلفة من التمور: الخلاص، الخنيزي، الفرض، القش، النغال، والمعان، تلقائيا من خلال صورهم وبالاعتماد على أهم الخصائص مثل اللون والشكل والحجم والملمس. تم استخدام ثلاثة مصنفات مختلفة: (ANN)، (SVM)، (KNN) لغرض التصنيف الأوتوماتيكي والمقارنة الكيفية. اقترح هذا المشروع نهجا تكراريا لإيجاد أفضل عدد للخلايا العصبية في ANN، وعدد أقرب الجيران في KNN، وقيد مربع في SVM. وبالإضافة إلى ذلك، تم استخدام هذه الشبكات الثلاثة المثلى لتصنيف هذه الأنواع من التمور. تم الحصول على أصناف التمور من محافظة الظاهرة، تم استخدام إجمالي 600 عينة من التمور (100 عينة / فئة) تم استخدام MATLAB لمعالجة صور التمور، واستخراج ميزات الأنواع المختلفة وتصنيفها إلى ستة فئات مختلفة. توضح نتائج الدقة أن مزيج اللون وميزات الحجم والشكل يتفوق على ميزة الملمس عند استخدامه مع المصنفات الثلاثة. أظهرت النتائج أن ANN مع طبقة مخفية واحدة فقط تحتوي على 7 خلايا عصبية من نوع (tan-sigmoid) يمكن أن تؤدي بشكل أفضل من كل من SVM وKNN من حيث الدقة، متوسط recall ومتوسط precision. تم الحصول على دقة أداء وصلت إلى 99.2% بالنسبة إلى ANN و97.5% بالنسبة إلى SVM و95.8% بالنسبة إلى KNN. بالنسبة لمتوسط recall فقد تم الحصول على 99.12% إلى ANN؛ 97.53% إلى SVM و95.7% إلى KNN. أما من حيث متوسط precision فقد تم تحقيق 99.25%، 97.72% و96.18% عن طريق ANN SVM, وKNN بالترتيب. |
|---|
عناصر مشابهة
-
Imaging Techniques for Detection of Aspergillus Flavus Infection in Omani Dates
بواسطة: Mathew, Teena Ann منشور: (2015) -
Nutritional Quality and Glycemic Index of Three Different Varieties of Omani Dates
بواسطة: الكندي، يسرا بنت سعيد بن موسى منشور: (2007) -
Non-Destructive Classification of Dates Based on Hardness Using Near-Infraded Imaging
بواسطة: Al Dohani, Halima Said Abdullah منشور: (2014) -
Artificial Intelligence Aided Techniques for Epilepsy Classification
بواسطة: القطاونة، الاء محمد منشور: (2019) -
Classification of Dates Based on Hardness Using Gray Scale Images
بواسطة: Al-Shekaili, Neima Hareb Abdullah منشور: (2013)
