توسعه و ارزیابی الگوریتم پردازش تصویر برای دانه بندی کریستال های شکر سفید

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 گروه مهندسی برق، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

چکیده

آزمون الک روش استانداردی است که در کارخانه های تولید شکر برای تعیین اندازه ذرات شکر به طور گسترده استفاده می شود. نیاز به نمونه های نسبتاً بزرگ، زمانبر بودن، محدود بودن اطلاعات بدست آمده، خودکار و آنلاین نبودن از معایب آزمون الک می باشند. تکنیک پردازش تصویر می تواند بصورت سریع، خودکار و لحظه ای پارامترهای مربوط به اندازه و شکل ذرات شکر را تعیین نماید و جایگزین مناسبی برای آزمون الک می باشد. در این پژوهش با هدف ارائه الگوریتم مناسب پردازش تصویر برای تعیین اندازه کریستال های شکر سفید، ابتدا کریستال های توده شکر با استفاده از آزمون استاندارد الک (در 7 اندازه الک و 10 تکرار) بر اساس اندازه دسته بندی شدند. سپس تصاویر کریستال ها با استفاده از یک میکروسکوپ دیجیتال با دوربین 5 مگاپیکسلی تهیه شد. سه نشانگر پیش زمینه-پس زمینه (FB)، فرسایش نهایی (UE) و تبدیل فاصله (DT) برای بخش بندی تصاویر و استخراج پارامترهای هندسی ذرات در محیط جعبه ابزار پردازش تصویر نرم افزار متلب استفاده شدند. تجزیه واریانس مقادیر شاخص میانگین روزنه (MA) بر اساس آزمایش فاکتوریل در قالب طرح کاملاً تصادفی و مقایسه میانگین ها با آزمون چند دامنه دانکن انجام شد. تاثیر هر دو عامل اندازه الک و روش بخش بندی و همچنین اثر متقابل آنها بر مقدار MA معنادار بود. مقادیر MA نشانگرهای FB و UE با مقدار MA مرجع بدست آمده با روش دستی تفاوت معناداری در سطح یک درصد نداشت. از آنجائیکه نشانگر UE بدلیل خطای کمتر در تعیین MA (برابر با 13/10 درصد) بهترین عملکرد را داشت، لذا برای تعیین آنلاین اندازه کریستال های شکر سفید با تکنیک پردازش تصویر توصیه می شود.

چکیده تصویری

توسعه و ارزیابی الگوریتم پردازش تصویر برای دانه بندی کریستال های شکر سفید

تازه های تحقیق

  • الگوریتم مناسب پردازش تصویر برای تعیین اندازه و دانه بندی کریستال های شکر سفید ارائه شد.
  • تاثیر هر دو عامل اندازه الک و روش بخش بندی و همچنین اثر متقابل آنها بر شاخص میانگین روزنه (MA) معنادار بود.
  • مقادیر MA نشانگرهای FB و UE با مقدار MA مرجع بدست آمده با روش دستی تفاوت معناداری در سطح یک درصد نداشت.
  • نشانگر UE بدلیل خطای کمتر در تعیین MA برای تعیین آنلاین اندازه کریستال های شکر سفید با تکنیک پردازش تصویر توصیه می شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Development and Evaluation of an Image Processing Algorithm for Gradation of White Sugar Crystals

نویسندگان [English]

  • Hassan Masoudi 1
  • Seyed Mahmood Asadi 1
  • Gholamreza Akbarizadeh 2
1 Department of Biosystems Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz,, Ahvaz, Iran.
2 Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]

Sieve test is a standard method widely used in sugar factories to determine the size of sugar particles. Needing for relatively large samples, time-consuming, limited measured parameters, being not automatic and offline are main disadvantages of the sieve test. Image processing technique can determine the parameters related to size and shape of sugar particles, quickly, automatically and instantly and is a good alternative to the sieve test. The objective of this study was presenting a suitable image processing algorithm for online determination of white sugar crystals size. First, the sugar mass crystals were sorted according to size using the standard sieve test (with 7 sieves at 10 replications). Then, the crystals images were taken by a digital microscope with 5 megapixels image sensor. Three marking methods, including foreground-background (FB), ultimate erosion (UE) and distance transform (DT), were used for images segmentation and determination of the crystals morphological parameters in the image processing toolbox of MATLAB software. The analysis of variance of mean aperture (MA) values was performed based on factorial experiment in a completely randomized design and the mean of MA values was compared with Duncan's multiple range test. The effects of both sieve size and segmentation method factors as well as their interaction on the MA value were significant. The MA of FB and UE markers were not significantly different from the reference MA value that obtained manually at 1% level. Since, the UE marker showed the best performance in MA determination due to a lower error (equal 10.13%), so it is recommended for online determination of white sugar particles size by image processing.

کلیدواژه‌ها [English]

  • White sugar
  • Particle size determination
  • Image processing algorithm
  • Machine vision
  • Sieve test

مراجع

[1]  ICUMSA (The International Commission for Uniform Methods of Sugar Analysis Ltd.). Particle Size Distribution of White Sugar and Plantation White Sugar by Sieving. ICUMSA Method GS 2/9-37, 2007. URL http://www.icumsa.org . Accessed 01.05.17.
[2]  Bennár, M., Betoret, E., Bojňanská, T., Brňo, D., Hambálková, J., & Richter, A. (2012). Optimal particle size distribution of white sugar. Listy Cukrovarnické a Řepařské, 128(12), 385-389.
[3]  Khalili, Kh., & Emam, S.M. (2018). Dimensional control of sand particles based on the Iranian National Standard Organization using image processing technique. Iran. J. Manuf. Eng., 5(3), 52-62. [In Persian]
[4]     Miller, K.F. & Beath, A.C. (2000). The measurement of raw sugar crystal size by sieving and laser diffraction. In: Proceeding of Aust. Soc. Sug. Cane Technol., (22, pp. 393-398), Brisbane, Australia.
[5]  Argaw, G.A. (2007). Sugar Crystal Size Characterization Using Digital Image Processing. Durban, South Africa: University of KwaZulu-Natal, School of Physics, Ph.D. dissertation.
[6]  Argaw, G.A., Alport, M.J. & Malinga, S.B. (2006). Automatic measurement of crystal size distribution using image processing. In: Proceeding of the Cong. of S. Afr. Sug. Technol. Ass., (80, pp. 399-411), Durban, South Africa.
[7]  Mhlongo, A.Z. & Alport, M.J. (2002). Application of artificial neural network techniques for measuring grain sizes during sugar crystallization. In: Proceeding of the Cong. of S. Afr. Sug. Technol. Ass., (76, pp. 460-468), Durban, South Africa.
[8]  Wang, X.Z., Roberts, K.J., & Ma, C. (2008). Crystal growth measurement using 2D and 3D imaging and the perspectives for shape control. Chem. Eng. Sci., 63, 1173-1184.
[9]  Wang, L.M., Zhu, M.R., & Fan, C.L. (2009). Application of image recognition in sugar crystal size measurement. Computer Simul., 26: 294-297.
[10]   Patience, D.B., & Rawlings, J.B. (2001). Particle-shape monitoring and control in crystallization processes. AIChE J., 47: 2125-2130.
[11]   De Anda, J.C., Wang, X.Z., & Roberts, K.J. (2005).  Multi-scale segmentation image analysis for the in-process monitoring of particle shape with batch crystallisers. Chem. Eng. Sci., 60: 1053-1065.
[12]   Dharmayat, S., De Anda, J.C., Hammond, R.B., Lai, X.J., Roberts, K.J., & Wang, X.Z. (2006). Polymorphic transformation of L-glutamic acid monitored using combined on-line video microscopy and X-ray diffraction. J. Crystal Growth, 294: 35-40.
[13]   Schumann, G.T. & Thakur, C.S. (1993). The use of video camera and PC for crystal image analysis. In: Proceedings of S. Afr. Sug. Technol. Ass., (67, pp. 135-139), Durban, South Africa.
[14] Palenzuela, E.S.G. & Cruz, P.I.V. (1996). Techniques for classifying sugar crystallization images based on spectral analysis and the use of neural networks. In: Proceedings of IWISP '96, (pp. 641-645), Manchester, United Kingdom.
[15]   Daliziel, S.M., Tan, S.Y., White, E.T. & Broadfoot, R. (1999). An image analysis system for sugar crystal sizing. In: Proceeding of Aust. Soc. Sug. Cane Technol., (21, pp. 366-372), Brisbane, Australia.
[16]   Merkus, H.G. (2009). Particle Size Measurements: Fundamentals, Practice, Quality. Springer publishing.
[17]   Otsu, N. (1979). A threshold selection method from grey level histograms. IEEE Transactions on Syst., Man, and Cybernetics, 9(1): 62-66.
[18]   Venkataraman, S., Allison, D.P., Qi, H., Morrell-Falvey, J.L., Kallewaard, N.L., Crowe Jr., J.E., & Doctaycz, M.J. (2006). Automated image analysis of atomic force microscopy images of rotavirus particles. Ultra microscopy, 106(8–9): 829-837.
فناوری‌های جدید در صنعت غذا
دوره 8، شماره 1
آبان 1399
صفحه 97-110

فایل ها

سابقه مقاله

  • تاریخ دریافت: 16 اردیبهشت 1399
  • تاریخ بازنگری: 27 تیر 1399
  • تاریخ پذیرش: 05 شهریور 1399

هم رسانی

ارجاع به این مقاله

آمار