درجه بندی مغز گردو براساس اندازه و رنگ با استفاده از پردازش تصویر

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

2 دانشجوی دکتری مکانیک بیوسیستم، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

چکیده

امروزه توسعه سیستم های هوشمندی که بتوانند در مراحل مختلف آماده سازی و فرآوری محصولات کشاورزی و مواد غذایی با کارآیی مناسب بکار روند از اولویت های تحقیقاتی در این حوزه به شمار میروند. بدین منظور در پژوهش حاضر آزمایش هایی به منظور بررسی عوامل موثر بر یک سامانه تشخیص مغزگردو براساس اندازه و رنگ (به روش استاندارد) اجرا شد. بررسی ها بر امکان تشخیص دسته های کیفی، شامل سه دسته "نیمه"،" ربعی" و" خرده" و سه دسته رنگی، شامل "کهربایی روشن"، "روشن" و "بسیار روشن" در یک رقم انجام شد. متغیرهای پیش بینی کننده شامل قطر کوچک و بزرگ، الگوریتم شناسایی و مولفه های رنگی Red، Green، Blue، Hue، Saturation، Value، L، a و b از سه مدل رنگی بود. در مقایسه دو روش نورپردازی مشخص شد که هر چند میانگین دقت تشخیص در نورپردازی از پایین (3/94%) نسبت به نورپردازی از بالا (91%) بیشتر است، اما امکان استخراج هم زمان مولفه های رنگی و ابعادی، بکارگیری این روش نورپردازی را موجه میسازد. نتایج همچنین نشان داد که دقت و سرعت تشخیص براساس اندازه به مراتب بیشتر از تشخیص دسته های رنگی است. به طوریکه می توان نمونه های نیمه (نیم-مغز) را با دقت 100% و در مدت زمان میانگین 31/0ثانیه از دسته های دیگر تشخیص داد. درحالی که بالاترین دقت در تشخیص مغزهای با رنگ روشن از دسته های دیگر 2%/76 و در مدت زمان 91/1 ثانیه بود. براساس نتایج تحلیل تشخیص خطی، با توجه به هم پوشانی داده های مدل های رنگی می توان صرفا از شاخص میزان روشنی در مدل HSV با دقت 81% و در مدت زمانی کمتر از 6/0 ثانیه برای تشخیص نمونه های بسیار روشن از دو دسته دیگر استفاده کرد. همچنین در مقایسه مدل های رنگی، به ترتیب مدل HSV و Lab از بالاترین و پایینترین دقت در طبقه بندی برخوردار بودند.بر اساس نتایج این تحقیق می‌توان از مولفه‌های رنگی و ابعادی برای تشخیص مغزگردو بر اساس روش استاندارد در مدت زمان کم‌تر از 2 ثانیه تحت نورپردازی از بالا استفاده نمود. از این اطلاعات می‌توان برای طراحی و توسعه سامانه­های درجه‌بندی مغز گردو در صنایع غذایی استقاده نمود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Walnut Kernel Based on Size and Color by Image Processing

نویسندگان [English]

  • Amir H. Afkari-Sayyah 1
  • Mansour Rasekh 1
  • Mohammad Tahmasebi 2
1 Associate Professor, Department of Mechanical Engineering of Biosystems, Faculty of Agricultural Sciences and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
2 PhD Student, Department of Mechanical Engineering of Biosystems, Faculty of Agricultural Sciences and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

Today, development of intelligent systems in different operations of food and agricultural processing is one of the prime requests in food industry. In this research, a series of machine vision tests, were carried out to investigate the factors influence on walnut kernel discriminant system based on dimension and color (standard method). The research had been focused on discriminating the kernels in 3 quality groups of halves, pieces and small pieces and 3 color groups of Very Light, Light and Light Amber in a common variety. The prediction features were the major and minor diameters of kernel, and color features of Red, Green, Blue, Hue, Saturation, Value, L, a and b channels from three color models and the direction of lighting. In comparison of two lighting methods, back lighting showed more accuracy (94.3%) than the top lighting (91%), however, the difference was not significant. In addition, it was possible to extract the dimension and color data in image capturing in top lighting. The results showed that the accuracy and speed of discrimination based on dimensions was more than that the color identifying. According to the results, it was possible to identify halves with 98.1% accuracy in a mean of 0.31 s. While, the maximum rate of discrimination in color identification was equal to 76.2% in 1.91 s for detecting Light kernels. Due to overlapping of data of different color models, and according to the results of linear discriminant analysis, it is possible to identify Very Light kernels, only by taking account of V parameter (from HSV model) in less than 0.6 seconds with accuracy of 81%. In comparing different color models, the HSV and Lab have the maximum and minimum accuracy in color discriminating of walnut kernels, respectively. The results showed that it is possible to discriminate walnut kernels based on color and dimensional features according to standard method, in less than 2 seconds (for each kernel), under top lighting condition. This information may be used in design and development of walnut grading machines in food industries.

کلیدواژه‌ها [English]

  • Walnut
  • Discrimination
  • Machine vision
  • Color Model
[1]     FAO, (2013). Food and Agricultural Organization Statistical Software, URL http://www.faostat3.fao.org.

[2]     Britton, M.T., Leslie, C.H., McGranahan, G.H., Dandekar, A.M. (2007). Walnuts. In: Biotechnology in Agriculture and Forestry. Transgenic Crops: Biotechnol. Agtic. Torest, 60, 349-370.

[3]     Du, C.J., Sun, D.W. (2004). Recent developments in the applications of image processing techniques for food quality evaluation. Food Sci Technol, 15, 230-249.

[4]     Ghazanfari, A., Irudayaraj, J., Kusalik, A. (1996). Grading pistachio nuts using a neural network approach. Trans ASAE, 39(6), 2319-2324.

[5]     Liming, X., Yanchao, Z. (2010). Automated strawberry grading system based on image processing. Comput Electron Agric, 71, 32-39.

[6]     Blasco, J., Aleixos, N., Molt, E. (2003). Machine Vision System for Automatic Quality Grading of Fruit. Biosyst Eng, 85 (4), 415–423.

[7]     Heinemann, P.H., Hughes, R., Morrow, C.T., Sommer, H.J., Beelman, R.B., Wuest, P.J. (1994). Grading of mushrooms using machine vision system. Trans ASAE, 37 (5), 1671–1677.

[8]     Lee, D.J., Schoenberger, R., Archibald, J., McCollum, S. (2008). Development of a machine vision system for automatic date grading using digital reflective near-infrared imaging. J. Food Eng, 86, 388–398.

[9]     Al-Ohali, y. (2011). Computer vision based date fruit grading system: Design and implementation. J. King Saud Univ Comput Inf Sci, 23, 29–36.

[10] Riquelme, M.T., Barreiro, P., Ruiz-Altisent, M., Valero, C. (2008). Olive classification according to external damage using image analysis. J. Food Eng, 87, 371–379.

[11] Diaz, R., Gil, L., Serrano, C., Blasco, M., Molt, E., Blasco, J. (2004). Comparison of three algorithms in the classification of table olives by means of computer vision. J. Food Eng, 61, 101–107.

[12] Anonymous, (2008). Image Processing Toolbox 6, User’s Guide, The Math Works, Inc. 3 Apple Hill Drive Natick, MA.

[13]           محمدی قرمزگلی، خ.؛ وصالی، ف.؛ فعله گری، ر.؛ غفاری، ح. (1390) جداسازی پوسته از مغزگردو و دسته‌بندی براساس رنگ با استفاده از گشتاورهای تغییرناپذیر تصویر، شبکه عصبی مصنوعی و روش آنالیز تشخیص. نشریه پژوهش­های صنایع غذایی، جلد 21، شماره 3، 315-305.

[14] Jiang, L., Zhu, B., Rao, X., Berney, G., Tao, Y. (2006). Discrimination of black walnut shell and pulp in hyperspectral fluorescence imagery using Gaussian kernel function approach. J. Food Eng, 81(1), 108–117.

[15] Ebrahimi, A., Zareie, A., Fatahi, R., Ghasemi Varnamkhasti, M. (2009). Study on some morphological attributes of walnuts used in mass models. Sci Hortic-Amsterdam, 121(4), 490–494.

[16]            افکاری سیاح، ا.ح.؛ فرهادی، ر. (1391) تعیین برخی ویژگی‌های فیزیکی مغز گردو (رقم کاغذی) با هدف جداسازی کیفی. نشریه پژوهش‌های صنایع غذایی، جلد 22، شماره 1، 17-11.

[17] Al-Malahi, A., Kataoka, T., Okamoto, H., Shibata, Y. (2010). An image processing algorithm for detecting in-line potato tubers without singulation. Comput Electron Agric, 70(1), 239-244.

[18] Gonzales, R.C., Woods, R.E. (1992). Digital Image Processing, 2th ed.,Addison-Wesley Longman Publishing Co, Boston, pp 282-342.

[19] Anonymous, (1997). United States Standards for Grades of Shelled Walnuts (Juglans regia). (Effective September 1, 1968)-reprinted.

[20] Velioglu, H.M., Boyac, I.H., Kurultay, S. (2011). Determination of visual quality of tomato system and artificial neural networks paste using computerized inspection. Comput Electron Agric, 77, 147-154.

[21] Jha, S.N., Chopra S., Kingsly, A.R.P. (2005). Modeling of color values for nondestructive evaluation of maturity of mango. J. Food Eng, 78(1), 22-26.

[22]  بی نام، (1372). مغز گردو، موسسه استاندارد و تحقیقات صنعتی ایران، استاندارد شماره 18، چاپ ششم.