امروزه در کشاورزی مدرن ترکیبی از تکنیک های پردازش تصویر و روش های هوشمند برای جایگزینی ماشین های هوشمند به جای انسان استفاده می شود. هیچ استندارد بومی و بین المللی برای طبقه بندی توت فرنگی رقم پاروس وجود ندارد. در این مطالعه از روش پردازش تصویر مصنوعی و شبکه عصبی مصنوعی (ANN) برای طبقه بندی میوه توت فرنگی رقم پاروس استفاده شده است. در گام اول این میوه توسط یک متخصص به شش کلاس طبقه بندی شد (به عنوان خروجی ANN) و از هر کلاس 100 نمونه به طور تصادفی جمع آوری گردید. در گام بعد تصاویر نمونه ها ضبط شده و سه خصوصیت هندسی با 12 ویژگی رنگ (به عنوان ورودی های ANN) استخراج گردید. خصوصیات مورفولوژیکی و رنگ سطح میوه با استفاده از توابع تعریف شده در نرم افزار Matlab استخراج شد. ساختار شبکه عصبی بهینه (15-18-6) با توجه به خطای میانگین مربعات (RMSE) و ضریب هبستگی (2R) برای فرآیند طبقه بندی نمونه های توت فرنگی در نظر گرفته شد. در نهایت شبکه عصبی پرسپترون با ساختار 15-18-6 با دقت طبقه بندی 83/83% انتخاب گردید. نتایج به دست آمده از ANN نشان داد که کمترین و بیشترین دقت به ترتیب به کلاس های کمتر رسیده (تقریبا 65%) و کمتر نارس (تقریبا 100%) مربوط است. با توجه به نتایج و ملاحظات اقتصادی، ANN روش مناسبی برای طبقه بندی میوه توت فرنگی می باشد.متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.