دسته بندی خاک با الگوریتم SVM در متلب

در این پست دسته بندی خاک با الگوریتم SVM یا الگوریتم ماشین بردار پشتیبان چند کلاسه از روی تصاویر را در نرم افزار MATLAB آماده کردیم که در واقع پیاده سازی مقاله Machine Learning in Soil Classification می‌باشد. این سورس کد یک پروژه مناسب در حوضه‌ی پردازش تصویر، بینایی ماشین، رشته مهندسی عمران ، علوم و مهندسی خاک ، خاک شناسی و مهندسی کشاورزی است. در ادامه به معرفی این پروژه و توضیحاتی در رابطه با تشخیص و دسته بندی یا طبقه بندی خاک پرداخته شده است.

معرفی مقاله تشخیص و دسته بندی انواع خاک

در این مقاله یک روش خودکار برای تشخیص و دسته بندی یا طبقه بندی انواع خاک ارائه شده است که یک پروژه عالی در زمینه بینایی ماشین است. در مرحله اول، الگوریتم ماشین بردار پشتیبان اقدام به تقسیم بندی می‌کند. در مرحله دوم، ویژگی‌های برجسته از این بخش‌ها استخراج می‌شود.

خاک های بررسی شده در تشخیص و دسته بندی انواع خاک از تصاویر

در پروژه تشخیص انواع خاک با الگوریتم SVM به طبقه بندی ۷ نوع مختلف از خاک پرداخته شده است که شامل موارد زیر است:

• خاک رس (Clay)
• زغال سنگ نارس رس دار (Clayey Peat)
• شن و ماسه رس دار (Clayey Sand)
• گیاخاک (Humus)
• ذغال سنگ نارس (Peat)
• خاک رس شنی (Sandy Clay)
• شن و ماسه سیلتی یا لای (Silty Sand)

دسته بندی انواع خاک

خاک‌‌ها از نگاه ژئوتکنیک به دو دسته کلی درشت ‌دانه و ریزدانه طبقه بندی می‌‌شوند اما از نگاه علم خاک ‌شناسی، خاک‌ها به سه دسته درشت بافت مانند خاک‌های شنی و متوسط بافت مانند لای و ماسه و ریز بافت مانند خاک‌های رسی تقسیم ‌بندی می‌شوند. خاک‌های که بافت درشت‌تر دارند حجم منافذ آن‌ها نسبت به خاک‌های ریز بافت بیشتر هستند اما در آن‌ها ظرفیت نگهداری آب به دلیل بزرگی قطر خلل و فرج کم‌تر می‌باشد.

حجم خلل و فرج در خاک‌های رسی کم‌تر از خاک‌های ماسه‌ای و شنی است اما در نگهداری آب ظرفیت بیشتری دارند. نفوذ پذیری بیشتری در خاک‌های ماسه‌ای نسبت به خاک‌های رسی وجود داشته و آب جذب نکرده و راحتی از دست می‌دهند و همینطور توانایی ذخیره‌ سازی رطوبت در آن‌ها کمتر از خاک‌های ریز بافت می‌باشد.

تصاویری از خروجی دسته بندی خاک با الگوریتم SVM در متلب

درباره سورس کد دسته بندی خاک با الگوریتم SVM در متلب

دسته بندی خاک با الگوریتم SVM در متلب عنوان اثری است که در این پست به تشخیص انواع خاک با الگوریتم SVM  پرداخته شده است. این اثر در نرم افزار متلب 2017 نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. سورس کد اثر دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر آن را خریداری کنید.