TY - JOUR ID - 667 TI - طراحی و توسعه سامانه بینایی ماشین به منظور تعیین خودکار عیوب ظاهری سیب JO - فناوری‌های جدید در صنعت غذا JA - IFT LA - fa SN - 2783-350X AU - جنتی, سولماز AU - آبدانان مهدی زاده, سامان AU - اورک, هادی AD - دانشجوی کارشناسی ارشد، دانشکده مهندسی‌ زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی خوزستان AD - استادیار، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی خوزستان AD - دانش آموخته کارشناسی ارشد، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی خوزستان Y1 - 2019 PY - 2019 VL - 6 IS - 3 SP - 341 EP - 350 KW - پردازش تصویر KW - عیوب ظاهری KW - طبقه بندی DO - 10.22104/jift.2018.2868.1693 N2 - سیستم بینایی ماشین، از جمله سیستم‌های جدید در زمینه تشخیص کیفیت محصولات کشاورزی است. سیب از جمله میوه‌هایی است که کیفیت ظاهری آن عاملی تعیین‌کننده در بازارپسندی این محصول بشمار می‌رود. تشخیص خودکار سیب‌های معیوب از طریق سیستم بینایی ماشین به علت توزیع ناهموار نور بر روی سطح آن‌ها و شباهت بین نقص‌های واقعی با تغییرات رنگ پوسته امری دشوار می‌باشد. بدین منظور در این پژوهش یک روش جدید برای تشخیص معیوب ظاهری سیب با استفاده از سیستم بینایی ماشین با ترکیب تصحیح خودکار نور، تعداد عیب‌ها، ارائه گردید. به منظور طبقه‌بندی نمونه‌ها، ابتدا هیستوگرام تصایور اخذ شده از آن‌ها بر اساس روش ترکیب خطی فضای RGB تصحیح و سپس تعداد 3 ویژگی رنگی و 11 ویژگی بافتی از آن‌ها استخراج گردید. بر اساس نتایج انتخاب ویژگی، بهترین ویژگی‌ها به منظور بالاترین دقت در طبقه‌بندی به ترتیب آنتروپی، انرژی، همبستگی و صافی محلی بودند. نهایتا به منظور طبقه‌بندی داده‌ها از دو طبقه‌بند ماشین ارتباط برداری (RVM) و ماشین‌ بردار پشتیبانی (SVM) استفاده گردید. بر اساس نتایج بدست آمده دقت طبقه‌بند RVM در گروه سالم 95%، در گروه ناسالم 82% و در مجموع 5/88 % بدست آمده است، اما دقت طبقه‌بند SVM در گروه سالم 100%، در گروه ناسالم 23/94 % و در مجموع 11/97 % بود. بنابراین برای تشخیص نمونه سالم از نمونه ناسالم طبقه‌بند SVM با توجه به عملکرد مناسب‌تر نسبت به RVM با توجه به دقت بیشتر و خطای کمتر مناسب‌تر می‌‌باشد. UR - https://jift.irost.ir/article_667.html L1 - https://jift.irost.ir/article_667_b3e12dd6692c8b517d9fa5f07031c67c.pdf ER -