نوع مقاله: مقاله علمی- پژوهشی

نویسندگان

بوعلی سینا

چکیده

طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و کامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیق سعی شده است الگوریتم مناسبی به‌منظور تشخیص پرتقال روی سایبان درخت ارائه شود. به‌منظور ارزیابی الگوریتم ارائه شده تعداد 500 تصویر که در شرایط کاملاً متفاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازی، قطعه بندی، فیلتر اندازه، تفکیک میوه‌ها بر مبنای الگوی تراکم سایه و روشنایی و تعیین مختصات می‌باشد. در این تحقیق برای قطعه بندی از شبکه عصبی MLP (با سه لایه مخفی) استفاده شد که موفقیت به‌کارگیری آن با توجه به نرخ کشف صحیح پرتقال ها با دقت 2/88% مورد تایید قرار گرفت. با توجه به درصد بالای پرتقال‌های خوشه ای نسبت به کل پرتقال ها در تصاویر، هر الگوریتمی که بخواهد در زمینه شناسایی پرتقال بر روی درخت موفق عمل کند باید راه حلی برای تفکیک پرتقال ها از هم ارائه دهد که در پژوهش حاضر روشی جدید بر مبنای الگوی تراکم سایه روشن، به‌کار گرفته شد و کارایی آن مورد ارزیابی قرار گرفت. در نهایت دقت تفکیک 5/89 درصد و دقت شناسایی 2/88 درصد به‌دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Orange Recognition on Tree Using Image Processing Method Based on Lighting Density Pattern

نویسندگان [English]

  • H. R Ahmadi
  • J Amiri Parian

Bu-Ali Sina university

چکیده [English]

Within the last few years, a new tendency has been created towards robotic harvesting of oranges and some of citrus fruits. The first step in robotic harvesting is accurate recognition and positioning of fruits. Detection through image processing by color cameras and computer is currently the most common method. Obviously, a harvesting robot faces with natural conditions and, therefore, detection must be done in various light conditions and environments. In this study, it was attempted to provide a suitable algorithm for recognizing the orange fruits on tree. In order to evaluate the proposed algorithm, 500 images were taken in different conditions of canopy, lighting and the distance to the tree. The algorithm included sub-routines for optimization, segmentation, size filtering, separation of fruits based on lighting density method and coordinates determination. In this study, MLP neural network (with 3 hidden layers) was used for segmentation that was found to be successful with an accuracy of 88.2% in correct detection. As there exist a high percentage of the clustered oranges in images, any algorithm aiming to detect oranges on the trees successfully should offer a solution to separate these oranges first. A new method based on the light and shade density method was applied and evaluated in this research. Finally, the accuracies for differentiation and recognition were obtained to be 89.5% and 88.2%, respectively.

کلیدواژه‌ها [English]

  • Orange harvesting, Image processing
  • separation
  • Harvesting robot
  • Machine vision
  • Regional maxima

  1. Bulanon, D. M., T. F. Burks, and V. Alchanatis. 2009. Image fusion of visible and thermal images for fruit detection. Bio systems engineering 103: 12-22.
  2. Juste, F., and F. Sevilla. 1991. Citrus: A European project to study the robotic harvesting of oranges. in Proceeding 3rd International Symposium Fruit, Nut and Vegetable Harvesting Mechanization, Denmark, Sweden, Norway.
  3. Gonzalez, R., and R. Woods. 1992. Digital Image Processing. Addison-Wiley Publishing Company.
  4. Hannan, M. W., T. F. Burks, and D. M. Bulanon. 2007. A real-time machine vision algorithm for robotic citrus harvesting. American Society of Agricultural and Biological Engineers, Paper Number: 073125.
  5. Kurtulmus, F., W. S. Lee, and A. Vardar. 2011. Green citrus detection using ‘Eigenfruit’, color and circular Gabor texture features under natural outdoor conditions. Computers and Electronics in Agriculture 78: 140-149.
  6. Lak, M. B., S. Minaei, J. Amiriparian, and B. Beheshti. 2010. Apple fruits recognition under natural luminance using machine vision. Advance Journal of Food Science and Technology 2 (6): 325-327.
  7. Li, P., S. H. Lee, and H. Y. Hsua. 2011. Review on fruit harvesting method for potential use of automatic fruit harvesting systems. Procedia Engineering 23: 351-366
  8. Mao, W., B. Jia, X. Zhang, and X. Hub. 2009. Detection and position method of apple tree image. Computer and Computing Technologies in Agriculture II 2: 1039-1048.
  9. Okamoto, H., and W. S. Lee. 2009. Green citrus detection using hyperspectral imaging. Computers and Electronics in Agriculture 66: 201-208.
  10. Patel, H. N., R. K. Jain, and M. V. Joshi. 2012. Automatic segmentation and yield measurement of fruit using shape analysis. International Journal of Computer Applications 45 (7): 19-24.
  11. The mathworks. 2008. Image Processing Toolbox User’s Guide. Apple Hill Drive.