Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával"

Lídia Kerekesné
7 évvel ezelőtt
Látták:

1 Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával Csák Máté - Hegedűs Géza- Dr. Polgár Zsolt Pannon Egyetem, Georgikon Kar, Keszthely mate.csak@georgikon.hu, hg@georgikon.hu, pog-zs@georgikon.hu

2 Tartalom Bevezetés Előzmények Spektrális Fraktál Dimenzió Mi is az SFD? Felmerülő problémák Felvételezés körülményei Fajták azonosítás és minősítés digitális képanalízis felhasználásával Anyag és módszer Eredmények Összefoglalás

3 Előzmények1: IKTA-00101/2003 A kutatási program célja Olyan minősítő rendszer kidolgozása, amely szubjektív ítéleteket nem vagy minimális mértékben tartalmaz (EMOR) Illeszkedik a csatlakozás utáni EU és hazai előírásokhoz A fajtaérték-meghatározást objektívebbé és pontosabbá teszi Automatikus felismerési folyamatok adatbázisának tervezése és felépítése Automatikus elemzési, minősítési folyamatok gyakorlati megvalósítása

4 Előzmény2: Cikk 1 Erdei Ferenc IVth Scientific Conference august Kecskemét: SPEKTRÁLIS FRAKTÁLDIMENZIÓ- INVARIÁNS TRANSZFORMÁCIÓK ÉS ELTOLÓDÁSI SZABÁLYOK Hegedűs Géza

5 Előzmény3: Cikk 2 Csák M., Hegedűs G.: Az SFD mérésként való alkalmazhatósága a burgonyanemesítési kutatásokban, Acta Agraria Kaposváriensis (2008) Vol 12 No 2,

6 A felvételezés standard körülményei állandó intenzitást biztosító mesterséges fényforrás alkalmazása (körvakú) merőleges vetület biztosítása közepes *1696 pixel - felbontás alkalmazása azonos mintáról több felvétel készítése csillogás mentesség biztosítása (nyers hússzín esetén, friss vágott felület leitatása) a minta színétől nagyban eltérő homogén háttér biztosítása (kék, fekete, fehér) fix fókusztávolság alkalmazása

7 Minden képnek van fraktál dimenziós értéke (FD), amely spektrumokra is bontható(sfd)

8 Mi is az SFD? d k k i= 1 ln ln n i m i Spektrális Fraktál Dimenzió d: réteg (dimenzió=3) k: iteráció szám=8 n: nem üres térkockák száma m: összes térkocka

9 Katica gumóhéj képe RGB szintérben

10 Katica nyershús képe RGB szintérben

11 Katica főtthús képe RGB szintérben

12 Katica szürkülés képe RGB szintérben

13 Anyag és módszer Mintavételezés 4 vizsgálati időszak 13 burgonya fajta 4 féle tulajdonság 10 szeres ismétlés Összes mintaszám 2080 db Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

14 Anyag és módszer (2) Képek készítése: Technika: CANON EOS 30D CANON mm lencse SIGMA EM-140 DG körvakú Képek: 24 bites színes (RGB), raszteres, JPG 2544*1696 pixel, 72 ppi felbontás Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

15 Elemezni kívánt fotók elkészítése 1. Fotózás: 1152x1728(72 ppi) 2. Burgonya kivágása: 295x295(300ppi) 3. A háttér kitisztítása 4. A háttér eltávolítása

16 Anyag és módszer (3) d k k i= 1 Képek analízise: lnni lnm Fejlesztői környezet MatLab ( R14) SFD algoritmus: i Dobozoló-eljárás - Relative Differential Box-Counting method (RDBC) Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

17 SFD algoritmus Iteráció Élfelezés Számolás Függvényérték számítás ln ( talált _ darabi összes _ kockai) i rétegekszáma

18 Anyag és módszer (4) Statisztikai elemzések Klasszikus statisztikai mérőszámok: átlag, szórás, minimum, maximum, abszolút eltérés, relatív eltérés Hipotézis vizsgálatok: t-próba (Studentpróba) alkalmazása, Ch2-próba, F-próba Non-hierarchikus klaszter analízis: globális optimalizációs eljárás, hasonlósági arány (SIMILARITY RATIO) együttható alkalmazása, Az ábrázolás megkönnyítésére Eigenanalízis-Scatter-diagramot alkalmaztam.

19 Mérési eredmények Alaptáblázat Katica Összesítő táblázat időszakban t-próba: Tulajdonságonként (16 db): RGB, R, G, B Tulajdonságpáronként (24 db) Tulajdonság hármasok (16 db) Összes tulajdonság (4 db) Összesítő táblázatok

20 Eredmények (1) Fajtán belüli minősítés: 13 fajtából 12 esetben a minimum és maximum értékek relatív eltérései nagyságrenddel nagyobbak, mint a legkisebb szignifikáns értékhez tartozó relatív eltérés Ebből következően minősítésre matematikailag nincs lehetőség

21 Eredmények (2) Fajták SFD értéke Fajta neve TFV RE BFV RF&BF TFV RE&RF&SF BFV RF&BF&SF BFV RE&RF&SF TFV RE&RF&BF&SF Balatoni rózsa 4/6 2/3 5/6 2/3 5/6 3/3 Démon 5/6 2/3 5/6 2/3 4/6 2/3 Katica 2/4 1/1 2/3 1/1 2/3 1/1 Luca 5/6 3/3 3/6 1/3 3/6 3/3 White Lady 5/6 3/3 3/6 3/3 3/6 3/3 Cleopátra 3/3 1/1 2/3 1/1 3/3 1/1 Góliát 5/6 1/3 4/6 0/3 4/6 3/3 Kánkán 6/6 0/3 6/6 2/3 3/6 3/3 Rioja 5/6 2/3 2/6 0/3 2/6 2/3? Desiree 5/6 0/3 5/6 2/3 5/6 2/3 Hópehely 5/6 2/3 6/6 2/3 4/6 3/3 Lorett 3/6 2/3 6/6 2/3 3/6 3/3 Vénusz 5/6 2/3 6/6 2/3 3/6 3/3 Fajtán belül is van az egyes évek között szignifikáns eltérés

22 Eredmények (3) Fajták évenkénti vizsgálata TFV 50,6% Kánkán=100% 74,4% Cleopátra=100% 58,4% Katica=100% 48,5% Vénusz=100% RFV 41,6% Kánkán=100% 56,4% Balatoni rózsa=100% 57,1% Katica=100% 13,6% GFV 41,6% Kánkán=100% 49,4% 42,9% 18,2 % BFV 51,9% Kánkán=100% Katica=100% 31,2% 57,1% Kánkán=100% 51,5 % TFVRE 59,0% 56,4% 43,6% 56,1% RFVRE 40,3% Balatoni rózsa=100% Lorett=100% 33,8% 29,5% 28,8% GFVRE 10,4% 11,7% 26,9% Whyte Lady=100% 16,7% BFVRE 57,1% 38,5% 20,5% 43,,9%

23 Eredmények (4) Klaszteranalízis i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0, , , ,03025 CLUSTER 1 Balatoni Balatoni Balatoni Balatoni Cleopátra CLUSTER 2 Desiree Cleopátra Cleopátra Cleopátra Desiree CLUSTER 3 Démon Desiree Desiree Démon CLUSTER 4 Góliát Démon Démon Góliát CLUSTER 5 Hópehely Góliát Góliát Hópehely Hópehely Hópehely CLUSTER 6 Katica VénuszGold LucaXL Katica CLUSTER 7 Kánkán Katica Katica Kánkán CLUSTER 8 Lorett Kánkán Kánkán Lorett CLUSTER 9 LucaXL Lorett Lorett LucaXL CLUSTER 10 Rioja LucaXL Rioja Rioja CLUSTER 11 VénuszGold Rioja VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady

24 Eredmények (5) Klaszteranalízis i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0733 0, , ,03872 Balatoni rózsa CLUSTER 1 Góliát Balatoni Balatoni Balatoni rózsa Góliát CLUSTER 2 Cleopátra Cleopátra Cleopátra Hópehely Cleopátra CLUSTER 3 Démon Démon Démon Démon CLUSTER 4 Desiree Desiree Desiree Desiree CLUSTER 5 Hópehely Góliát Góliát Hópehely CLUSTER 6 Kánkán Hópehely Kánkán Kánkán Kánkán CLUSTER 7 LucaXL LucaXL LucaXL LucaXL CLUSTER 8 Rioja Rioja Rioja Rioja CLUSTER 9 Lorett Lorett Lorett Lorett CLUSTER 10 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 11 WhiteLady WhiteLady WhiteLady WhiteLady CLUSTER 12

25 Eredmények (6) Klaszteranalízis i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0001 0, , ,00011 CLUSTER 1 CLUSTER 2 Balatoni rózsa Balatoni rózsa Balatoni rózsa Balatoni rózsa Góliát CLUSTER 3 Cleopátra Cleopátra Cleopátra Cleopátra Desiree Desiree CLUSTER 4 Démon Desiree Kánkán Desiree CLUSTER 5 Góliát Démon Démon Démon CLUSTER 6 Hópehely Góliát Góliát Hópehely CLUSTER 7 Kánkán Hópehely Hópehely Katica CLUSTER 8 Katica Katica Katica Kánkán CLUSTER 9 Lorett Kánkán Rioja Lorett Lorett CLUSTER 10 LucaXL Lorett LucaXL LucaXL CLUSTER 11 Rioja LucaXL Rioja Rioja CLUSTER 12 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 13 WhiteLady WhiteLady WhiteLady WhiteLady

26 Eredmények (7) Klaszteranalízis i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,03 0, , ,01288 CLUSTER 1 CLUSTER 2 Balatoni rózsa Balatoni rózsa Balatoni Balatoni rózsa Démon CLUSTER 3 Démon Katica Démon Démon Katica Desiree CLUSTER 4 Desiree Desiree Desiree Góliát CLUSTER 5 Góliát Góliát Góliát Hópehely CLUSTER 6 Hópehely Hópehely Hópehely Kánkán CLUSTER 7 Kánkán Kánkán Kánkán Katica CLUSTER 8 Lorett Katica Lorett Lorett CLUSTER 9 LucaXL Lorett LucaXL LucaXL LucaXL CLUSTER 10 Rioja Rioja Rioja Rioja CLUSTER 11 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady

27 Összefoglalás Megállapítottuk, hogy az SFD csak akkor lehet alkalmas bármilyen objektum jellemzésére, ha a felvételezés és képértékelés feltételei rögzítettek. hogy az SFD érték nem alkalmas a fajtán belüli minősítésre. hogy az SFD érték alkalmas a burgonyafajták elkülönítésére. A burgonyafajták elkülönítését csak az azonos évi kontrol felvételezéshez viszonyítva lehet megvalósítani,

28 Köszönöm a figyelmüket! Csák Máté - Hegedűs Géza Dr. Polgár Zsolt Pannon Egyetem, Georgikon Kar, Keszthely mate.csak@georgikon.hu, hg@georgikon.hu, pog-zs@georgikon.hu

Hasonló dokumentumok

DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI

DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI Pannon Egyetem Növénytermesztés és Kertészeti Tudományok Doktori Iskolája Burgonya fajták minősítése, és a burgonyanemesítés informatikai rendszere. (Fajta azonosítás és