امید دوستی ایرانی؛ عباس روحانی؛ محمودرضا گلزاریان؛ منصوره شمیلی؛ پیمان آذر کیش
چکیده
درجه‌بندی میوه از نظر ویژگی‌های کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، به‌صورت غیرمخرب در امر بازارپسندی آن تأثیر به‌سزایی دارد. در این پژوهش با استفاده از ترکیب تکنیک‌های پردازش تصویر و هوش مصنوعی، پیش‌بینی ویژگی‌های کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونههای مورد بررسی در دو تیمار دمایی 5، 15 و تیمار ...
بیشتر
درجه‌بندی میوه از نظر ویژگی‌های کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، به‌صورت غیرمخرب در امر بازارپسندی آن تأثیر به‌سزایی دارد. در این پژوهش با استفاده از ترکیب تکنیک‌های پردازش تصویر و هوش مصنوعی، پیش‌بینی ویژگی‌های کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونههای مورد بررسی در دو تیمار دمایی 5، 15 و تیمار شاهد (24 درجه سانتی‌گراد) به مدت 48 ساعت قرار گرفتند. پس از آن به مدت 14 روز به‌صورت یک روز در میان تصویربرداری از نمونه‌ها انجام و ویژگی‌های رنگی از نواحی مورد نظر در محیط رنگی L*a*b استخراج شدند. پس از هر مرحله تصویربرداری میزان اسیدیته، قند و سفتی بافت اندازه‌گیری شد. به‌منظور بررسی ارتباط بین خصوصیات فیزیکوشیمیایی و مشخصه‌های تصویری بین نمونه‌ها، شبکه عصبی چندلایه پرسپترون ایجاد و آموزش داده شد. از این شبکه تربیت شده به‌منظور پیش بینی ویژگی‌های فیزیکی از روی مشخصه‌های رنگی استفاده شد. متغیرهای ورودی به شبکه شامل تیمار دمایی در سه سطح (شاهد، 15 و 5 درجه سانتی‌گراد)، کانال‌های رنگی (L, a, b) و میزان انحراف معیار کانال‌های رنگی (stdL, stda, stdb) است. متغیرهای خروجی نیز شامل قند، اسیدیته و سفتی بافت است. نتایج حاصل از پیش‌بینی مدل شبکه عصبی نشان داد که دقت مدل در مرحله آزمون برای پیش‌بینی فاکتورهای اسیدیته، قند و سفتی بافت به‌ترتیب برابر با 45، 85، 88 درصد است؛ بنابراین هرچند دقت مدل شبکه عصبی برای پیش‌بینی اسیدیته از روی فاکتورهای رنگی نمونههای انبه پایین بود، اما شبکه عصبی مبتنی بر ماشین بینایی قادر به پیش‌بینی فاکتورهای سفتی و قند با دقت بالا است.
محمودرضا گلزاریان؛ منصوره شمیلی؛ امید دوستی ایرانی؛ پیمان آذر کیش
چکیده
سیستم بینایی ماشین یکی از ابزارهای قدرتمند به‌منظور خودکار کردن روش‌های درجه‌بندی محصولات کشاورزی است. در این تحقیق با استفاده از پردازش تصاویر رنگی تهیه‌شده از میوه انبه به تشخیص خرابی‌های ظاهری ناشی از صدمات مکانیکی پرداخته‌شده است. برای این منظور از میان ۸۰ عدد انبه با بازرسی چشمی تعداد ۶۰ نمونه انبه که بر روی آن‌ها لکه‌های ...
بیشتر
سیستم بینایی ماشین یکی از ابزارهای قدرتمند به‌منظور خودکار کردن روش‌های درجه‌بندی محصولات کشاورزی است. در این تحقیق با استفاده از پردازش تصاویر رنگی تهیه‌شده از میوه انبه به تشخیص خرابی‌های ظاهری ناشی از صدمات مکانیکی پرداخته‌شده است. برای این منظور از میان ۸۰ عدد انبه با بازرسی چشمی تعداد ۶۰ نمونه انبه که بر روی آن‌ها لکه‌های سیاهرنگ ناشی از آسیب‌های مکانیکی در حین برداشت و جابجایی به وجود آمده بود، تشخیص داده شدند و از هر میوه در شرایط نوردهی یکسان تصویربرداری شد. با استخراج ویژگی‌های رنگی در سه مدل رنگی RGB، HSI و L*a*b* و مقایسه آماری دادهها مشخص شد که ویژگی‌های رنگی G و 0.16G/0.5R در محیط رنگی RGB به‌ترتیب با دقت ۹۰% و ۶/۹۱% و ویژگی‌های رنگی a* و 0.16L*-a* از فضای رنگی L*a*b* به‌ترتیب با دقت ۳۳/۹۳% و ۱۰۰% قادر به تشخیص بافت آسیبدیده میباشند. درصد مساحت استخراجشده از هر نمونه بهعنوان معیاری برای درجه‌بندی میوه انبه مورداستفاده قرار گرفت. با استفاده از روش خوشهبندی K میانگین نمونه‌ها به دو دسته تقسیمبندی شدند و نقطه برش بین این دو دسته با استفاده از منحنی راک برابر با ۱۱/۳ بدست آمد. مساحت منحنی راک برابر با ۱ بدست آمد که نشاندهنده قدرت تفکیک بالای خوشهبندی است.
