Contribution to wheat grains weight estimation using computer vision and machine learning

Abstract

Le but et l'objectif de cette thèse de recherche est de contribuer à l'estimation du poids mille grains (PMG) de quatre variétés de blé Vitron et Simeto pour le blé dur, Arz, et HD pour le blé tendre en s'appuyant sur un modèle prédisant le Poids de Grain Unique (PUG). Le modèle utilise les caractéristiques morphologiques extraites par un logiciel de vision par ordinateur « SmartGrain ». De plus, cette recherche a été menée pour trouver le meilleur classificateur de régression qui donne la valeur la plus réaliste du Poids de Grain Unique (PUG) avec le coefficient de corrélation R le plus élevé et le moins d'erreur possible. La tâche de traitement d'image passe par de nombreuses étapes : Tout d'abord, l'acquisition d'image a été abordée à l'aide d'un scanner, la segmentation et l'extraction d'attributs par le logiciel SmartGrain, le modèle de régression de prédiction par la technologie Machine Learning en utilisant la plateforme Weka. Les caractéristiques morphologiques étaient les entrées des algorithmes LR, SVM, MLP, M5P.tree, M5Rules.rules et Bagging. Le dernier classificateur est celui qui donne la meilleure prédiction avec une précision de 93,72%. Les résultats obtenus par les autres classificateurs étaient respectivement de 93,42 %, 93,36 %, 93,14 %, 92,93 %, 92,93 %, et ces résultats au niveau du Genre, avec les caractéristiques morphologiques choisissez, en utilisant les deux options de test comme ils donnent les mêmes résultats.