تشخيص خرابي‌هاي سطحي سيب براي درجه‌بندي كيفي آن
الموضوعات :
مهدی باژن
1
,
احسان‌اله کبیر
2
1 - دانشگاه تربیت مدرس
2 - دانشگاه تربیت مدرس
الکلمات المفتاحية: درجه‌بندي سيبخرابيضرب‌خوردگيزنگآشكارسازي دمتحليل بافتبينايي ماشينی,
ملخص المقالة :
در اين مقاله دو نوع خرابي ضرب‌خوردگي و زنگ در سيب‌هاي گولدن دليشز (زرد لبناني) تشخيص داده مي‌شود. خرابي زنگ به دو بخش زنگ دمگاه و زنگ خارج از دمگاه تقسيم شده است. سيب‌ها به سه كلاس درجه يك، درجه دو و وازده بر اساس بعضي از معيارهاي استاندارد اروپايي درجه‌بندي مي‌شوند. براي درجه‌بندي سيب، به طبقه‌بندي تصوير به 6 كلاس سالم، دم، كاسبرگ، ضرب‌خوردگي، زنگ دمگاه و زنگ خارج از دمگاه نياز داريم. در الگوريتم ارائه‌شده، پس از طبقه‌بندی پيکسلی به کمک شبکه عصبی پرسپترون بر اساس ويژگي‌های رنگی RGB، اصلاح طبقه‌بندی و آشکارسازی دم انجام می‌شود. براي اصلاح نواحي طبقه‌بندي‌شده به كلاس ضرب‌خوردگي، از ويژگي‌هاي H و S از فضای رنگی HSI استفاده مي‌شود. اصلاح نواحي در كلاس‌هاي كاسبرگ، زنگ دمگاه و زنگ خارج از دمگاه بر اساس فاصله گرانيگاه دم تا گرانيگاه هر ناحيه انجام مي‌شود. شناسايي نوع خرابي و تقسيم خرابي زنگ به دو كلاس زنگ دمگاه و زنگ خارج از دمگاه كار جديدي است كه در اين مقاله ارائه شده است. نتايج آزمايش الگوريتم پيشنهادي نشان مي‌دهد كه نرخ درجه‌بندي درست 120 تصوير سيب، 66/81% است. خطاهاي درجه‌بندي ناشي از عدم آشكارسازي دم و اشتباه در تشخيص خرابي است.
[1] V. Leemans and M. Destain, "A real-time grading method of apples based on features extracted from defects," J. of Food Engineering, vol. 61, no. 1, pp. 83-89, Jan. 2004.
[2] D. Unay and B. Gosselin, "A quality grading approach for Jonagold apples," in Proc. of the IEEE Benelux Signal Processing Symp., pp. 93-96, Hilvarenbeek, the Netherlands, 15-16 Apr. 2004.
[3] D. Unay and B. Gosselin, "A study on quality grading of Jonagold apples," in Proc. of the IEEE Int. Symp. on Signal Processing and Information Technology, pp. 271-273, 14-17 Dec. 2003.
[4] D. Unay and B. Gosselin, Artificial Neural Network-Based Segmentation and Apple Grading by Machine Vision, 2004, http://www.tcts.fpms.ac.be.
[5] V. Leemans, H. Magein, and M. F. Destain, "On-line fruit grading according to their external quality using machine vision," Biosystems Engineering, vol. 83, no. 4, pp. 397-404, Dec. 2002.
[6] J. Blasco, N. Aleixos, and E. Molto, "Machine vision system for automatic quality grading of fruit," Biosystems Engineering, vol. 85, no. 4, pp. 415-423, Aug. 2003.
[7] D. Unay and B. Gosselin, "Apple defect detection and Quality Classification with MLP-neural networks," in Proc. of the 13th Workshop on Circuits: Systems and Signal Processing, pp. 501-506,Veldhoven, Netherlands, 2002.
[8] O. Kleynen, V. Leemans, and M. F. Destain, "Development of a multi-spectral vision system for the detection of defects on apples," J. of Food Engineering, vol. 69, no. 1, pp. 41-49, Jul. 2005.
[9] P. M. Mehl, Y. R. Chen, M. S. Kim, and D. E. Chan, "Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations," J. of Food Engineering, vol. 61, no. 1,pp. 67-81, Jan. 2004.
[10] UNECE STANDARD FFV - 50 concerning the marketing and commercial quality control of Apples, http://www.unece.org/trade/agr/standard/fresh/fresh_e.htm.
[11 ] ح. ميرنظامي ضيابري و ح. جهانديده كوهي، غذا (اصول و رو شهاي نگهداري. مواد غذايي)، تندرستي و بيماري، نشر علوم كشاورزي، 1380
[12] G. Feng and C. Qixin, "Study on color image processing based intelligent fruit sorting system," in Proc. of the 5th World Congress on Intelligent Control and Automation, vol. 6, pp. 4802-4805, 15-19Jun. 2004.
[13 ] م. باژن، درجه بندي كيفي سيب بر اساس خرابي هاي سطحي، پايان نامه كارشناسي . ارشد، دانشگاه تربيت مدرس، 1385
[14] N. Otsu, "A threshold selection method from gray-level histograms,"IEEE Trans. on Systems: Man and Cybernetics, vol. 9, no. 1, pp. 62-66, Jan. 1979.
[15] V. Leemans, H. Magein, and M. F. Destain, "Defect segmentation on Golden delicious apples by using colour machine vision," Computers and Electronics in Agriculture, vol. 20, no. 2, pp. 117-130, Jul. 1998.
