تشخیص عیوب ظاهری و درجه‌بندی گوجه‌فرنگی با استفاده از فناوری ماشین بینایی و شبکه‌های عصبی- فازی

نوع مقاله : مقاله پژوهشی

نویسندگان

• هادی ایزدی
• سعادت کامگار
• محمد حسین رئوفت

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

https://doi.org/10.22067/jam.v6i1.33534

چکیده

از مهمترین فرآیندها در بسته‌بندی و نگهداری محصولات کشاورزی عملیات دسته‌بندی بوده که پردازش تصویر یکی از ابزارهای کاربردی در زمینه فن‌آوری‌های پس از برداشت است. هدف از پژوهش حاضر به‌دست آوردن الگوریتمی برای تشخیص عیوب ظاهری و درجه‌بندی محصول گوجه‌فرنگی و ارائه سامانه‌ی کارآمد در این زمینه است؛ برای سادگی این فرآیند، از شبکه‌های فازی عصبی موسوم به ANFIS استفاده شده است که در عین سادگی کار و تنظیم کردن، دقتی همپای شبکه‌های عصبی را به ارمغان می‌آورد. پس از عکس‌برداری از گوجه‌فرنگی‌های تهیه شده، این نمونه‌ها توسط فرد خبره در 8 دسته از لحاظ رسیدگی و اندازه و سلامت یا خرابی دسته‌بندی شدند. ویژگی‌های ابعادی و رنگی تصاویر گرفته شده از این نمونه‌ها با استفاده از فن‌آوری ماشین بینایی و الگوریتم‌های طراحی شده به‌دست آمد و به سامانه‌ی ANFIS سپرده شد که در نهایت دسته‌بندی در سه سطح اولیه و یک سطح نهایی انجام گردید. سه سطح اولیه عبارت بودند از درجه‌بندی از لحاظ رنگ، اندازه و سلامت که داده‌های مربوط به هر سطح به‌عنوان ورودی به سامانه نهایی ارائه شدند. سامانه نهایی با در نظر گرفتن همزمان سه سطح رنگ، اندازه و سلامت، نمونه‌ها را در یکی از 8 دسته تعریف شده قرار داد. میزان دقت در هر سطح برای قبل و بعد از آموزش، نشان از ارتقاء ده درصدی کیفیت تشخیص و درجه‌بندی در شرایط پس از آموزش داشت که این میزان برای درجه‌بندی‌های رنگ، اندازه‌، ‌بافت و نهایی به‌ترتیب برابر 89، 81، 95 و 81% بود.

کلیدواژه‌ها

• اندازه
• دسته‌بندی
• رسیدگی
• رنگ
• سلامت

20.1001.1.22286829.1395.6.1.5.3

مراجع

1. Casady, W. W., M. R. Paulsen, J. F. Reid, and J. B. Sinclair. 1992. A trainable algorithm for inspection of soybean quality. Transactions of the ASAE 35 (6): 2027-2034.

2. In-Suck, B., Ch. Byoung-kwon, and K. Young-sik. 2012. Development of a compact quality sorting machine for cherry tomatoes based on real-time color image processing. International Conference of Agricultural Engineering. Valencia. Spain. July 8-12.

3. Iraji, M. S., and A. Tosinia. 2011. Classification of Tomatoes on Machine Vision with Fuzzy the Mamdani Inference, Adaptive Neuro Fuzzy Inference System Based (Anfis-Sugeno). Australian Journal of Basic and Applied Sciences 5 (11): 846-853.

4. Jafari, A., A. Fazayeli, and M. R. Zarezadeh .2014. Estimation of orange skin thickness based on visual texture coarseness. Journal of Biosystems Engineering 117: 73-82.

5. Jafarlou, M., and R. Farrokhi Teimourlou. 2014. Estimation of apple volume and its shape indentation using image processing technique and neural network. Journal of Agricultural Machinery 4 (1): 57-64. (In Farsi).

6. Khalifa, S., and M. H. Komarizadeh. 2012. An intelligent approach based on adaptive neuro-fuzzy inference system (ANFIS) for walnut sorting. Australian Journal of Crop Science 06 (2): 183-187.

7. Lino, A. C. L., J. Sanches, and I. M. D. Fabbro. 2008. Image processing techniques for lemons and tomatoes classification. Journal of Bragantia 67: 785-789.

8. Mohamadi Monavar, H., R. Alimardani, and M. Omid. 2013. Computer vision utilization for detection of green house tomato under natural illumination. Journal of Agricultural Machinery 3 (3): 9-15. (In Farsi).

9. Polder, G., G. W. A. M. Heijdena, and I. T. Young. 2003. Tomato sorting using independent component analysis on spectral images. Real-Time Imaging 9: 253-259.

10. Shahin, M. A., E. W. Tollner, and R. W. McClendon. 2001. Artificial Intelligence Classifiers for sorting Apples based on Watercore. Journal of Agricultural Engineering Research 79 (3): 265-274.

11. Wen, Z., and T. Yang. 1999. Building a rule-based machine-vision system for defect inspection on apple sorting and packing lines. Expert Systems with Applications 16: 307-313.

12. Xing J., M. Ngadi, N. Wang, and J. D. Baerdemaeker. 2006. Bruise Detection on Tomatoes Based on the Light Scattering Image. ASABE Annual International Meeting. Sponsored by ASABE Oregon Convention Center, Portland, Oregon, USA.