تخمین جرم کل و مغز گردو با استفاده از روش نگاشت تضعیف پرتو ایکس

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

علی طاهری

مجتبی عسکری

پژوهشکده کاربرد پرتوها، پژوهشگاه علوم و فنون هسته ای، تهران، ایران

https://doi.org/10.22067/jam.2026.99948.1504

چکیده

در این مطالعه، روشی غیرمخرب برای تخمین جرم مغز گردو با استفاده از بازرسی پرتو ایکس پیشنهاد شده است. برای استخراج چهار ویژگی مبتنی بر تضعیف و شدت (که از نواحی تفکیک‌شده‌ی مغز گردو به‌دست آمده بودند)، از تصاویر رادیوگرافی پرتو ایکسِ ۳۵۰ عدد گردو استفاده شد. به‌منظور برقراری رابطه میان این ویژگی‌ها و جرم کل گردو و همچنین جرم مغز آن، سه رویکرد رگرسیونی شامل رگرسیون خطی، چندجمله‌ای درجه دوم و نمایی با استفاده از تقسیم‌بندی ۸۰/۲۰ داده‌ها برای برازش و آزمون (۲۸۰ نمونه برای برازش و ۷۰ نمونه برای آزمون) به‌کار گرفته شدند. مدل چندجمله‌ای درجه دوم (کوادراتیک) در هر دو متغیر پاسخ، عملکردی به‌مراتب بهتر از مدل‌های خطی و نمایی از خود نشان داد. برای جرم کل، این مدل به مقادیر R2=0.87، RMSE=0.75 g ،MAE=0.59 g و خطای نسبی 6.15% در مجموعه آزمون دست یافت. برای جرم مغز گردو نیز همین نوع مدل، مقادیر R2=0.72 ،RMSE=0.73 g ،MAE=0.58 g و خطای نسبی 17.13% را ثبت کرد. نتایج حاکی از آن است که ویژگی‌های مبتنی بر تضعیف پرتو ایکس، در ترکیب با یک چارچوب رگرسیون غیرخطی، می‌توانند برآوردی قابل‌اعتماد از جرم کل گردو و برآوردی با دقت متوسط از جرم مغز آن ارائه دهند. این رویکرد جایگزینی غیرمخرب و مبتنی بر تصویر برای روش‌های دستیِ شکستن و وزن‌کشی محسوب می‌شود و پتانسیل کاربرد در سیستم‌های خودکار درجه‌بندی و کنترل کیفیت در فرآوری گردو را دارد.

کلیدواژه‌ها

پرتو ایکس

تابع تخمین

جرم مغز گردو

گردو

نقشه تضعیف

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.      Ahmed, M. R., Yasmin, J., Lee, W.-H., Mo, C., & Cho, B.-K. (2017). Imaging Technologies for Nondestructive Measurement of Internal Properties of Agricultural Products: A Review. Journal of Biosystems Engineering, 42(3), 199–216. https://doi.org/10.5307/JBE.2017.42.3.199

2.      Amna, M. W. A., Li, G., Zuhaib Akram, M., Faheem, M., Omar, M. M. & Hassan, M. G., (2025). Machine vision-based automatic fruit quality detection and grading. Frontiers of Agricultural Science and Engineering, 12(2), 274–287. https://doi.org/10.15302/J-FASE-2023532

3.      Du, C. J., & Sun, D. W. (2006). Learning techniques used in computer vision for food quality evaluation: A review. Journal of Food Engineering, 72(1), 39–55. https://doi.org/10.1016/j.jfoodeng.2004.11.017

4.      Fan, X., & Zhou, J. (2025). Nondestructive detection and quality grading system of walnut using X-ray imaging and lightweight WKNet. Foods, 14(13), 2346. https://doi.org/10.3390/foods14132346

5.      Goa, T. Zhang, S., Sun, H., & Ren, R. 2022. Mass detection of walnut based on X-ray imaging technology. Journal of Food Process Engineering, 45(8), e14034. https://doi.org/10.1111/jfpe.14034

6.      Kastner, J., & Heinzl, C. (2015). X-ray Computed Tomography for Non-destructive Testing and Materials Characterization. In: Liu, Z., Ukida, H., Ramuhalli, P., Niel, K. (eds) Integrated Imaging and Vision Techniques for Industrial Inspection. Advances in Computer Vision and Pattern Recognition. Springer, London. https://doi.org/10.1007/978-1-4471-6741-9_8

7.      Kotwaliwale, N., Singh, K., Kalne, A., Jha, S. N., Seth, N., & Kar, A. (2014). X-ray imaging methods for internal quality evaluation of agricultural produce. Journal of Food Science and Technology, 51(1), 1–15. https://doi.org/10.1007/s13197-011-0485-y

8.      Kumar, Y., Rahul, K., Arora, N., & Gupta, R. P. (2026). Computer Vision Technologies for Food Quality and Safety Assurance: Evaluating Trends and Analytical Results. Food Analytical Methods, 19, 106. https://doi.org/10.1007/s12161-026-03019-6

9.      Laxman Kumar, A., Venugopal, S., Vittal, H., Maruthi, B., Ashok Kumar, D., & Priyanka, B., (2025). Production constraints and improvement strategies of temperate nut crops. In A. W. Wani, R. Rajan, & F. Ahmad (Eds.), Temperate nut crops: Cultivation, science, and innovation (pp. 257–286). Apple Academic Press. https://doi.org/10.1201/9781779643513-8

10.  Li, L. Jia, X., & Fan, K. (2025). Recent advance in nondestructive imaging technology for detecting quality of fruits and vegetables: a review. Critical Reviews in Food Science and Nutrition, 65(26), 5181–5199. https://doi.org/10.1080/10408398.2024.2404639

11.  Liu, Y., Zhang, P., & Gui, Z. (2021) An enhancement framework based on gradient domain tone mapping and fuzzy logical for X-ray image of complex workpiece. NDT & E International, 121, 102455. https://doi.org/10.1016/j.ndteint.2021.102455

12.  Lotufo, R. A., Rittner, L., Audigier, R., Machado, R. C., & Saúde, A. V. (2011). Morphological image processing applied in biomedicine. In T. M. Deserno (Ed.), Biomedical image processing (pp. 107–129). Berlin, Germany: Springer. https://doi.org/10.1007/978-3-642-15816-2_4

13.  Ma, M., Fu, H., Wang, Y., Lu, Z., Wang, Z., Cheng, J., Liu, X., Dai, H., Pi, F., & Wang, J. (2025). Nondestructive classification of internal defects in camellia seeds and chestnuts using X-ray imaging: Optimization and comparison of deep learning classifiers. Food Control, 176, 111367. https://doi.org/10.1016/j.foodcont.2025.111367

14.  Mendoza, F., Dejmek, P., & Aguilera, J. M. (2006). Calibrated color measurements of agricultural foods using image analysis. Postharvest Biology and Technology, 41(3), 285–295. https://doi.org/10.1016/j.postharvbio.2006.04.004

15.  Sezgin, M., & Sankur, B. (2004). Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging, 13(1), 146–165. https://doi.org/10.1117/1.1631315

16.  Tian, H., Wang, T., Liu, Y., Qiao, X., & Li, Y. (2020). Computer vision technology in agricultural automation —A review. Information Processing in Agriculture, 7(1), 1-19. https://doi.org/10.1016/j.inpa.2019.09.006

17.  Wu, D., & Sun, D-W. (2013). Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review — Part I: Fundamentals. Innovative Food Science & Emerging Technologies, 19, 1-14. https://doi.org/10.1016/j.ifset.2013.04.014

18.  Zhang, H., Ji, S., Shao, M., Pu, H., & Zhang, L. (2023). Non-destructive Internal Defect Detection of In-Shell Walnuts by X-ray Technology Based on Improved Faster R-CNN. Applied Sciences, 13(12), 7311. https://doi.org/10.3390/app13127311

19.  Zhang, H., Ning, X., Pu, H., & Ji, S. (2024). A novel approach for non-destructive detection of shriveling degrees in walnuts using improved YOLOv5n based on X-ray images. Postharvest Biology and Technology, 214, 113007. https://doi.org/10.1016/j.postharvbio.2024.113007

20.  Zhang, T., Wang, J., Xu, D., Bai, X., Li, W., Cao, J., & Niu, X. (2025). The Study on Shell-Breaking Characteristics and Crack Formation Patterns of Walnuts (Juglans Sigillata D.) Under Static Loading. Journal of Food Process Engineering, 48(7), e70182. https://doi.org/10.1111/jfpe.70182