درجه بندی مغز گردو براساس اندازه و رنگ با استفاده از پردازش تصویر

نویسندگان

  • امیرحسین افکاری سیاح عضو هیئت علمی، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
  • محمد طهماسبی دانشجوی دکتری مکانیک بیوسیستم، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
  • منصور راسخ عضو هیئت علمی، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
چکیده مقاله:

امروزه توسعه سیستم های هوشمندی که بتوانند در مراحل مختلف آماده سازی و فرآوری محصولات کشاورزی و مواد غذایی با کارآیی مناسب بکار روند از اولویت های تحقیقاتی در این حوزه به شمار میروند. بدین منظور در پژوهش حاضر آزمایش هایی به منظور بررسی عوامل موثر بر یک سامانه تشخیص مغزگردو براساس اندازه و رنگ (به روش استاندارد) اجرا شد. بررسی ها بر امکان تشخیص دسته های کیفی، شامل سه دسته "نیمه"،" ربعی" و" خرده" و سه دسته رنگی، شامل "کهربایی روشن"، "روشن" و "بسیار روشن" در یک رقم انجام شد. متغیرهای پیش بینی کننده شامل قطر کوچک و بزرگ، الگوریتم شناسایی و مولفه های رنگی Red، Green، Blue، Hue، Saturation، Value، L، a و b از سه مدل رنگی بود. در مقایسه دو روش نورپردازی مشخص شد که هر چند میانگین دقت تشخیص در نورپردازی از پایین (3/94%) نسبت به نورپردازی از بالا (91%) بیشتر است، اما امکان استخراج هم زمان مولفه های رنگی و ابعادی، بکارگیری این روش نورپردازی را موجه میسازد. نتایج همچنین نشان داد که دقت و سرعت تشخیص براساس اندازه به مراتب بیشتر از تشخیص دسته های رنگی است. به طوریکه می توان نمونه های نیمه (نیم-مغز) را با دقت 100% و در مدت زمان میانگین 31/0ثانیه از دسته های دیگر تشخیص داد. درحالی که بالاترین دقت در تشخیص مغزهای با رنگ روشن از دسته های دیگر 2%/76 و در مدت زمان 91/1 ثانیه بود. براساس نتایج تحلیل تشخیص خطی، با توجه به هم پوشانی داده های مدل های رنگی می توان صرفا از شاخص میزان روشنی در مدل HSV با دقت 81% و در مدت زمانی کمتر از 6/0 ثانیه برای تشخیص نمونه های بسیار روشن از دو دسته دیگر استفاده کرد. همچنین در مقایسه مدل های رنگی، به ترتیب مدل HSV و Lab از بالاترین و پایینترین دقت در طبقه بندی برخوردار بودند.بر اساس نتایج این تحقیق می‌توان از مولفه‌های رنگی و ابعادی برای تشخیص مغزگردو بر اساس روش استاندارد در مدت زمان کم‌تر از 2 ثانیه تحت نورپردازی از بالا استفاده نمود. از این اطلاعات می‌توان برای طراحی و توسعه سامانه­های درجه‌بندی مغز گردو در صنایع غذایی استقاده نمود.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

بهینه سازی درجه بندی کاشی با استفاده از پردازش تصویر فازی و الگوریتم ژنتیک

در خطوط کنترل کارخانجات کاشی برای اینکه بتوان کاشیها را درجه بندی کرد، نیاز به روشهایی برای تشخیص انواع عیوب مختلفی است که ممکن است در هنگام تولید بر روی کاشی‌ها به وجود آید. به گفته کارشناسان، یکی از بیشترین عیوبی که باعث پایین آمدن کیفیت کاشی‌ها می‌شوند، ترکها و خالها می‌باشند. به این نوع از عیب ها، عیوب تیز گفته می‌شود که در تصویر ساختارهایی با عرض کم و کنتراست بالا به وجود می‌آورند. یکی از ...

متن کامل

روشی جهت درجه¬بندی خرمای مضافتی با استفاده از پردازش تصویر

عدم رعایت استاندارد­های جهانی و درجه­بندی و بسته­بندی نامناسب از دلایل عدم توجه درخور به خرمای ایران است. سامانه ماشین بینایی روش­ نوینی است که در بخش کشاورزی کاربردهای مختلفی دارد. در این تحقیق روشی جهت طبقه­بندی خرمای مضافتی با استفاده از پردازش تصویر به پنج دسته سالم، چروکیده، کپک­زده، صدمه­دیده و خال­زده ارائه شده است. ابتدا از نمونه­هایی که با بینایی انسان دسته­بندی شده بود تصاویری اخذ شد....

متن کامل

درجه بندی خرمای رقم زاهدی بر اساس ویژگی های ظاهری با استفاده از روش های پردازش تصویر و یادگیری ماشین

خرما، یکی از محصولات باغی واستراتژیک در منطقه و ایران است. متاسفانه درآمد حاصل از صادرات این محصول پرارزش، نسبت به حجم صادرات بالای آن مطلوب نیست، بخشی از این امر به کیفیت پایین آماده‎سازی و بسته‎بندی محصول مربوط می‎شود. به نظر می‎رسد استفاده از فناوری­های نوین، مانند بینایی ماشین و پردازش تصویر، می‎تواند روند درجه­بندی و جداسازی  خرما را بهبود بخشد. در این پژوهش درجه­بندی میوه خرمای رقم زاهدی،...

متن کامل

روشی جهت درجه¬بندی خرمای مضافتی با استفاده از پردازش تصویر

عدم رعایت استاندارد­های جهانی و درجه­بندی و بسته­بندی نامناسب از دلایل عدم توجه درخور به خرمای ایران است. سامانه ماشین بینایی روش­ نوینی است که در بخش کشاورزی کاربردهای مختلفی دارد. در این تحقیق روشی جهت طبقه­بندی خرمای مضافتی با استفاده از پردازش تصویر به پنج دسته سالم، چروکیده، کپک­زده، صدمه­دیده و خال­زده ارائه شده است. ابتدا از نمونه­هایی که با بینایی انسان دسته­بندی شده بود تصاویری اخذ شد....

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


عنوان ژورنال

دوره 3  شماره 4

صفحات  35- 46

تاریخ انتشار 2016-08-22

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023