توسعه سامانه هوشمند اینترنت اشیا برای درجه‌بندی خودکار دانه‌های‌ قهوه روبوستا (Coffea canephora) بر پایه رنگ

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

ماری کریزل آلانو

ونوس اوگایا

ادوین آربولدا

گروه مهندسی رایانه، الکترونیک و برق، دانشگاه دولتی کاویته، کاویته، فیلیپین

https://doi.org/10.22067/jam.2025.93067.1374

چکیده

تمرکز این تحقیق ایجاد یک دستگاه مبتنی بر اینترنت اشیا برای درجه‌بندی دانه‌های قهوه روبوستا بر اساس رنگ است که از پردازش تصویر به‌عنوان جایگزینی موثر برای جداسازی دستی استفاده می‌کند. این سیستم به رفع یک مشکل مهم در روش برداشت نواری می‌پردازد که دانه‌ها را در درجات مختلف رسیدگی جمع‌آوری می‌کند و تاثیر منفی بر کیفیت قهوه می‌گذارد. این دستگاه، دانه‌ها را بر اساس درجه رسیدگی -قرمز برای رسیده، سبز برای نارس و سیاه برای بیش از حد رسیده- با استفاده از یک مدل تشخیص که از طریق پردازش تصویر آموزش دیده و بر روی Raspberry Pi 4 Model B  پیاده‌سازی شده است، مرتب می‌کند. عملکرد دستگاه بر اساس سرعت مرتب‌سازی و دقت طبقه‌بندی ارزیابی شد. مدل تشخیص با موفقیت 277 از 300 میوه قهوه را شناسایی کرد که منجر به دقت طبقه‌بندی کلی 92.33% و میانگین دقت 92.55 % شد. در آزمایش‌های عملی با 100 نمونه دانه در 10 آزمایش، دستگاه به‌طور متوسط به دقت دسته‌بندی 86.83% و زمان دسته‌بندی 21 دقیقه و 33 ثانیه دست یافت. در مقایسه با دستگاه دسته‌بندی دانه‌های قهوه که قبلا توسعه داده شده است، در دستگاه جدید دقت بهبودیافته و سرعت پردازش سریع‌تری را نشان داد.

کلیدواژه‌ها

برداشت نواری

پردازش تصویر

سورتینگ

شبکه عصبی کانولوشن

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Abbas, H. M. T., Shakoor, U., Khan, M. J., Ahmed, M., & Khurshid, K. (2019). Automated sorting and grading of agricultural products based on image processing. 2019 8^th International Conference on Information and Communication Technologies (ICICT), 78-81. https://doi.org/10.1109/ICICT47744.2019.9001971
2. Caretti, R. (2016). The process of coffee production: From seed to cup. New Food Magazine. Retrieved from https://www.newfoodmagazine.com
3. Coffee Behind the Scenes. (2018). Looking for the red cherry. Retrieved from http://www.coffeebehindthescenes.com/en/2018/10/31/looking-for-the-red-cherry/
4. Dhanaraju, M., Chenniappan, P., Ramalingam, K., Pazhanivelan, S., & Kaliaperumal, R. (2022). Smart farming: Internet of Things (IoT)-based sustainable agriculture. Agriculture, 12(10), 1745. https://doi.org/10.3390/agriculture12101745
5. Edan, Y., Han, S., & Kondo, N. (2009). Automation in agriculture. In Handbook of automation (pp. 531-554). https://doi.org/10.1002/9783527623488.ch22
6. Haile, M., & Hee Kang, W. (2020). The harvest and post-harvest management practices’ impact on coffee quality. In Coffee: Production and research. IntechOpen. https://doi.org/10.5772/intechopen.89224
7. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv. https://doi.org/10.48550/arXiv.1704.04861
8. Howard, B. (2011). Factors influencing cup quality in coffee. Rwanda: Global Coffee Quality Research Initiative, 30.
9. Injante, H., Gutierrez, E., & Vinces, L. (2020). A vibratory conveying system for automatic sorting of lima beans through image processing. 2020 IEEE XXVII International Conference on Electronics, Electrical Engineering and Computing (INTERCON), 1-4. https://doi.org/10.1109/INTERCON50315.2020.9220231
10. Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture, 1-12. https://doi.org/10.1016/j.aiia.2019.05.004
11. Koffee (2018). Selective vs. strip harvesting. Retrieved from https://www.koffeekult.com/blogs/blog/selective-vs-strip-harvesting
12. Lowenberg-DeBoer, J., Huang, I. Y., Grigoriadis, V., & Blackmore, S. (2020). Economics of robots and automation in field crop production. Precision Agriculture, 21(2), 278-299. https://doi.org/10.1007/s11119-019-09667-5
13. Mahmud, M. S. A., Abidin, M. S. Z., Emmanuel, A. A., & Hasan, H. S. (2020). Robotics and automation in agriculture: Present and future applications. Applications of Modelling and Simulation, 4, 130-140. Retrieved from http://arqiipubl.com/ojs/index.php/AMS_Journal/article/view/130
14. Russo, G., Marsigalia, B., Evangelista, F., Palmaccio, M., & Maggioni, M. (2015). Exploring regulations and scope of the Internet of Things in contemporary companies: A first literature analysis. Journal of Innovation and Entrepreneurship, 4(1), 11. https://doi.org/10.1186/s13731-015-0025-5
15. Sreekantha, D. K., & Kavya, A. M. (2017). Agricultural crop monitoring using IoT: A study. 2017 11^th International Conference on Intelligent Systems and Control (ISCO), 134-139. https://doi.org/10.1109/isco.2017.7855968
16. Stanley-Foreman, Z. (2023). Why cherry sorting is essential to improving coffee quality. Perfect Daily Grind. Retrieved from https://perfectdailygrind.com/2023/11/coffee-cherry-sorting
17. Tajinder, S. (2023). What deep learning algorithms are used for image processing and which CNN algorithm is used for image classification? Retrieved from https://www.researchgate.net
18. Voora, V., Bermudez, S., & Larrea, C. (2019). Global market report: Coffee. International Institute for Sustainable Development. Retrieved from https://getbiopak.com