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.
