در این مطالعه، الگوریتمی موثر و کارآمد برای تشخیص نقشه برجستگی تصویر بر اساس مدل سازی پاسخ سریع سیستم بینایی انسان به تغییرات شدت روشنائی، بافت و رنگ ارائه شده است. برخی موارد مانند الهام گرفتن از عملکرد سیستم بینایی انسان، عدم نیاز به آموزش، کاهش تعداد رنگ، کاهش کانال های رنگی و استفاده صحیح از حداقل اطلاعات بافت در االگوریتم باعث افزایش کارایی آن شده است. در روش پیشنهادی در مرحله اول، با توجه به حساسیت سیستم بینایی انسان به سیگنال های با کنتراست بالاتر، فقط کانال با کنتراست بالاتر برای استخراج نقشه برجستگی رنگ استفاده و سپس با استفاده از مولفه شدت روشنایی در فضای رنگ Lab و با استفاده از مدل محاسباتی سلول ساده کورتکس بینایی نقشه برجستگی شدت روشنائی و نقشه برجستگی بافت استخراج می شوند. در نهایت، با ترکیب نقشه های برجستگی رنگ، شدت روشنائی و بافت، نقشه برجستگی به دست می آید. روش پیشنهادی و روش های موجود برروی پایگاه داده های MSRA10K و ECSSD آزمایش شده است. نتایج پیاده سازی ها نشان می دهد که الگوریتم ترکیبی پیشنهادی برای تشخیص نقشه برجستگی با استفاده از ویژگی های رنگ و بافت غالب، در پایگاه داده ECSSD به ترتیب دارای میانگین خطای مطلق، امتیاز معیار F و سطح زیر منحنی ROC ، 173/0 ، 789/0 و 891/0 و در پایگاه داده MSRA10K به ترتیب 178/0، 790/0 و 919/0 است که در مقایسه با سایر مدل ها بیانگر عملکرد بهتر روش پیشنهادی نسبت به سایر روش ها است. تفاصيل المقالة

چکیده : باتوجه به افزایش انتظارات مصرف کنندگان در ارتباط با کیفیت محصولات غذایی، ارزیابی دقیق و سریع این محصولات از اهمیت ویژه ای برخوردار است . تکنیکهای پردازش تصویر امکان نظارت غیرمخرب بر صنایع غذایی را فراهم کرده است . در این تحقیق الگوریتمی توانمند برای آشکارسازی نواقص پوسته تخم مرغ مبتنی بر مدل محاسباتی سیستم بینایی انسان و بر اساس حساسیت سریع سیستم بینایی انسان به محرکهای شدت روشنائی ،جهت و رنگ ارائه شده است . روش پیشنهادی و چهار مدل از روشهای موجود در تشخیص برجستگی تصاویر بر روی تعدادی از تصاویر با نرم افزار Matlab R2013a در محیط Windows7 با پردازنده 5/2 گیگاهرتز و حافظهRAM 4 گیگاهرتز پیاده سازی شدند . برای پیاده سازی روش پیشنهادی، مدل محاسباتی سیستم بینایی موجود در الگوریتم در سه مقیاس و شش جهت در نظر گرفته شد. نتایج حاصله که براساس مقایسه دیداری نتایج ، رسم منحنی ROC و محاسبه AUC مدلها بودند ، عملکرد مطلوب الگوریتم پیشنهادی را نسبت به سایر الگوریتمها نشان داد . تفاصيل المقالة

One of the major problems that may occur in the differential protection systems of power transformers is mal-operation of the protection relays in sake of internal fault detection, because of similarity between this current and inrush current. This paper presents a novel approach for discriminating inrush current from internal fault in power transformers based on Improved Gravitational Search Algorithm (IGSA). For this purpose, an Artificial Neural Network (ANN) which is trained by IGSA has been applied to discrete sample data of internal fault and inrush currents in the transformers. Results show that, the used approach can discriminate between these two kinds of phenomenon, very well and also, has high accuracy and excellent reliability, in addition, it has less computational burden and complexity. تفاصيل المقالة

Extension of inter-turn fault in windings of PMSM can damage all parts of electrical systems, and in some cases in sensitive applications may lead to irreparable events. Identification of such small faults at incipient steps can be so helpful to protect entire part of electrical system. In this paper, intelligent protection system is designed which is made by two major parts. In the first part of intelligent protection system K-Nearest Neighbor classifier is used as a detecting system to discriminate inter-turn fault from normal condition, phase to phase fault and open circuit condition and also to detect faulty phase, simultaneity. After that if inter-turn fault is happened, second part of proposed system which is based on an ANN Trained with Improved Gravitational Search Algorithm determines the amount of fault. IGSA is presented to improve the performance of the proposed protection system in this paper. Obtained results show that both part of intelligent proposed and intelligent protection system can do their best performance. It can successfully detect inter-turn fault and follow it and predict amount of this fault. تفاصيل المقالة