طراحی و ساخت سامانه تشخیص خودکار عیوب پرتقال با استفاده از الگوریتم تصحیح نور تطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی ارشد، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

2 دانشیار، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منایع طبیعی خوزستان

چکیده

تشخیص اتوماتیک میوه معیوب از طریق سیستم بینایی کامپیوتری با توجه به توزیع ناپایداری ناهموار بر روی سطح مرکبات همچنان با مشکل مواجه است. در نتیجه توسعه سامانه‌ای که توانایی تشخیص خرابی در مرکبات را با دقت و سرعت بالایی داشته باشد امری ضروری است. بنابراین در این مقاله یک الگوریتم تصحیح نور تطبیقی پیاده‌سازی گردید که به صورت ساده بر تداخل توزیع شدت بازتابی غیرمستقیم در سطح میوه در حالت بر خط و استاتیک غلبه نموده و از تشخیص خطا اجتناب می‌نماید. در پژوهش تعداد 200 عدد نمونه شامل 50 عدد پرتقال‌های سالم و 150 عدد پرتقال معیوب (کپک سبز، شپشک سپردار واوی مرکبات، آلترناریا و آسیب های مکانیکی) مورد بررسی قرار گرفت. در این سامانه از هر نمونه 4 تصویر اخذ گردید و پس از پیاده‌سازی الگوریتم پیشنهادی بر روی هر 4 تصویر پرتقال‌ها به دو گروه سالم و معیوب طبقه‌بندی شدند. بر اساس نتایج مشخص گردید که دقت سامانه برای خرابی‌های کپک سبز، شپشک سپردار مرکبات، آلترناریا و آسیب‌های مکانیکی به ترتیب 80/87، 42/71، 28/74 و 100 بدست آمد که نشان از عملکرد بالای روش پیشنهادی دارد.

چکیده تصویری

طراحی و ساخت سامانه تشخیص خودکار عیوب پرتقال با استفاده از الگوریتم تصحیح نور تطبیقی

تازه های تحقیق

  •      استفاده از الگوریتم تصحیح نور تطبیقی به منظور غلبه بر تداخل توزیع شدت بازتابی غیرمستقیم در سطح میوه و جلوگیری از تشخیص خطا.
  •       طراحی و ساخت سورتر برخط به منظور تشخیص عیوب در پرتقال.
  •       تشخیص برخط خرابی­های کپک سبز، شپشک سپردار مرکبات، آلترناریا و آسیب­های مکانیکی.
  •      دقت بالای تشخیص درست پرتقال سالم و معیوب (به ترتیب 96 و 67/84 درصد).

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Design and construction of an automatic detection system for orange defects using an attunable lightness algorithm

نویسندگان [English]

  • Hadis Biabi 1
  • Saman Abdanan Mehdizadeh 2
1 Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Agricultural Sciences and Natural Resources University of Khuzestan.
2 Assistant professor of Khuzestan Agricultural Sciences and Natural Resources University
چکیده [English]

The automatic detection of defective fruit through the computer vision system continues to be a problem due to the uneven instability distribution on the citrus surface. As a result of the development of a system that is capable of detecting damage in citrus with high accuracy and speed is essential. Therefore, an adaptive lightness correction algorithm was implemented in this paper that simply overcomes the disturbance of the indirect distribution intensity in the fruit level in online and static conditions and avoids error detection. In the study, 200 specimens containing 50 healthy oranges and 150 defective oranges (Green Fruit Molds, Diaspididae, Alternaria Fruit and mechanical damage) were investigated. In this system, 4 images were taken from each sample and after applying the proposed algorithm, all four oranges were categorized into healthy and defective groups. Based on the results, it was found that the accuracy of the system for the damage of Green Fruit Molds, Diaspididae, Alternaria Fruit and mechanical damage was 87.80, 71.42, 74.28 and 100, indicating high performance of the proposed method.

کلیدواژه‌ها [English]

  • Machine vision
  • Defective oranges
  • Lightness correction algorithm
  • Image Processing
 [1] Bennedsen, B.S., Peterson, D.L. (2005). Performance of a System for Apple Surface Defect Identification in Near-infrared Images. Biosyst. Eng., 90, 419–431.
[2] Aleixos, N., Blasco, J., Navarrón, F., Moltó, E. (2002). Multispectral inspection of citrus in real-time using machine vision and digital signal processors. Comput. Electron. Agric., 2, 121–137.
[3] Tao, Y. (1996). Spherical transform of fruit images for on-line defect extraction of mass objects. Opt. Eng., 35, 344–350.
[4] Li, J.B., Rao, X.Q., Wang, F.J., Wu, W., Ying, Y.B. (2013). Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods. Postharvest Biol. Tec., 82, 59–69.
[5] Kleynen, O., Leemans, V., Destain, M.F. (2005). Development of a multi-spectral vision system for the detection of defects on apples. INT. J. Food Eng., 69, 41–49.
[6] Gómez-Sanchis, J., Moltó, E., Camps-Valls, G., Gómez-Chova, L., Aleixos, N., Blasco, J. (2008). Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits. INT. J. Food Eng., 85, 191–200.
[7] Cubero, S., Aleixos, N., Moltó, E., Gómez-Sanchis, J., Blasco, J. (2011). Advances in machine vision applications for automatic in-spection and quality evaluation of fruits and vegetables. Food Bioprocess Tech., 4, 487–504.
[8] Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., García-Navarrete, O.L., Blasco, J. (2012). Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment. Food Bioprocess Tech., 5, 1121–1142.
[9] Leemans, V., Destain, M.F. (2004). A real-time grading method of apples based on features extracted from defects. INT. J. Food Eng., 61, 83–89.
[10] Blasco, J., Aleixos, N., Gómez, J., Moltó, E. (2007). Citrus sorting by identification of the most common defects using multispectral computer vision. INT. J. Food Eng., 83, 384–393.
[11] Kim, D.G., Burks, T.F., Qin, J.W., Bulanonm, D.M. (2009). Classification of grapefruit peel diseases using colour texture feature analysis. Agric. Biol. Eng., 2, 41–50.
]12[ نداف‌زاده، م.؛ آبدانان مهدی‌زاده، س. (1395) تعیین زمان پخت سبزیجات با کمک پردازش تصاویر دیجیتال و اندازه‌گیری مختصات رنگی. فناوری نوین غذایی، جلد 3، شماره 11، ص 49-57.
 ]13[ اورک، ه.؛ آبدانان مهدی‌زاده، س. (1396) توسعۀ یک سامانۀ دقیق کنترل علفهای هرز برای زمینهای چمن به کمک بینایی ماشین. تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی، جلد 19، شمار 70، ص 55-68.
[14] Ying, Y.B. (2000). Study on background segment and edge detection of fruit image using machine vision. J. Zhejiang. Univ-Sc A., 26, 35–38.
[15] Niphadkar, N.P., Burks, T.F., Qin, J., Ritenour, M. (2013). Edge effect compensation for citrus canker lesion detection due to light source variation—a hyperspectral imaging application. Agric. Eng. Int. CIGR J., 15, 314–327.
[16] Solomon, C., Breckon, T. (2011). Fundamentals of Digital Image Processing: A practical approach with examples in Matlab. John Wiley & Sons.
[17] Throop, J.A., Aneshansley, D.J., Upchurch, B.L., Anger, B. (2001). Apple orientation on two conveyors: performance and predictability based on fruit shape characteristics. Trans. ASAE., 44, 99–109.
[18] López-García, F., Andreu-García, G., Blasco, J., Aleixos, N., Valiente, J.M. (2010). Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach. Comput. Electron. Agric., 71, 189-197.
[19] Zhang, B., Huang, W., Gong, L., Li, J., Zhao, C., Liu, C., Huang, D. (2015). Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier. INT. J. Food Eng., 146, 143-151.