طبقه‌بندی میوه زالزالک بر مبنای رسیدگی با استفاده از ماشین بینایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران

2 هیات علمی گروه مهندسی مکانیک بیوسیستم دانشگاه ایلام

3 گروه مکانیک ماشین‌های کشاورزی، آموزشکده کشاورزی سمنگان، دانشگاه فنی و حرفه‌ای، خراسان شمالی، ایران

چکیده

ازارپسندی محصولات تولیدی به طور گسترده‌ای به ظاهر آن ها بستگی دارد. لذا هدف از مطالعه حاضر توسعه الگوریتم‌هایی برای استخراج، انتخاب، و طبقه‌بندی ویژگی‌های تصاویر نمونه‌های زالزالک به منظور طبقه‌بندی آن‌ها بر اساس سطح رسیدگی است. تعداد 600 نمونه میوه زالزالک تهیه شد. در مرحله بعد یک جعبه نورپردازی به ‌منظور تصویربرداری از نمونه‌های زالزالک با نورپردازی کنترل شده طراحی و ساخته شد. پس از تصویربرداری و ذخیره تصاویر بدست آمده، فرآیند پردازش تصویر در نرم افزار متلب اجرا شد. در این مرحله بعد از عملیات پیش پردازش، ویژگی‌های رنگ و بافت از تصاویر استخراج شد. از بین ویژگی های استخراج شده تعدادی ویژگی به عنوان ویژگی های کارا با استفاده از روش انتخاب ترتیبی با پایه درجه دوم در نرم افزار متلب انتخاب شدند. از روش های تحلیل تفکیک خطی و درجه دوم برای طبقه بندی ویژگی های کارا استفاده شد. پارامترهای دقت، صحت، حساسیت، و خاصیت برای مدل های طبقه بندی محاسبه شدند. میانگین دقت طبقه‌بندی نمونه‌های مختلف زالزالک با استفاده از روش‌های تحلیل تفکیک خطی و درجه دوم در مرحله آموزش به ترتیب برابر 67/98 و % 33/99 و در مرحله آزمون با هم مشابه و برابر با % 67/98 بود. همچنین بر اساس نتایج مربوط به پارامترهای تعیین شده، مدل تحلیل تفکیک درجه دوم از مدل تحلیل تفکیک خطی عملکرد بهتری داشت.

چکیده تصویری

طبقه‌بندی میوه زالزالک بر مبنای رسیدگی با استفاده از ماشین بینایی

تازه های تحقیق

  • به منظور ارزیابی رسیدگی زالزالک یک سامانه ماشین بینایی با الگوریتم یادگیری ماشین مورد استفاده قرار گرفت.
  • روش پیشنهاد شده کاملا غیرمخرب بوده و با دقت و سرعت بالایی طبقه­بندی را انجام داد.
  • الگوریتم های QDA و LDA با دقت بالا طبقه بندی میوه زالزالک را انجام دادند.
  • روش ارائه شده می­تواند به طور دقیق درجه­بندی محصولات استفاده شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of hawthorn fruit based on ripeness level by machine vision

نویسندگان [English]

  • Rahim Azadnia 1
  • Kamran Kheiralipour 2
  • Mostafa Jafarian 3
1 Department of biosystem engineering, agriculture faculty, university of tehran,
2 Associated professor of illam university
3 Department of Mechanical Engineering of Agriculture Machinery, Samangan Faculty of Agriculture, Technical and Vocational University (TVU), North-Khorasan, Iran
چکیده [English]

Marketability of the produced products largely depends on their appearance. Therefore, the aim of the present study was to develop the required algorithms to extract, select, and classify the images’ features of hawthorn samples in order to classify different fruit classes based on the ripeness stages. Six hundred of hawthorn fruit samples were prepared. Afterward, a lighting box was designed and constructed to capture images from hawthorn specimens under controlled lighting conditions. After imaging and saving the images of hawthorn samples, image processing operation in MATLAB Software was done. In this step after image preprocessing, color and texture features were extracted. Through all extracted features, some features were selected as efficient ones by sequential selection method with quadratic base in MATLAB Software. Linear and quadratic discriminant analysis methods were used to classify the efficient features. The obtained results indicated that the methods were able to classify the images of hawthorn samples with same accuracies (98.67 %). Furthermore, accuracy, precision, sensitivity, and specificity parameters were calculated for the classifier models. The results indicated that the accuracy of hawthorn samples by classifier models based on linear and quadratic discriminant analysis models were 98.67 and 99.33 %, respectively in the train step and they were same as 98.67 % in the test step. Also based on the results of the determined parameters, the quadratic discriminant analysis model hade better performance than the linear discriminant analysis model.

کلیدواژه‌ها [English]

  • Hawthorn
  • Ripeness
  • Classification
  • Image processing
  • Discriminant analysis methods

مراجع

[1] Özcan, M., Hacıseferoğulları, H., Marakoğlu, T. & Arslan, D. (2005). Hawthorn (Crataegus spp.) fruit: some physical and chemical properties. J Food Eng, 69(4), 409-413.
[2] Erfani Moghadam1*, J. & Kheiralipour, K. (2015). Physical and nutritional properties of hawthorn fruit (Crataeguspontica L.). AgricEngInt: CIGR J, 17(1), 232-237.
[3] Kao, E. S., Wang, C. J., Lin, W. L., Yin, Y. F., Wang, C. P. & Tseng, T. H. (2005). Anti-inflammatory potential of flavonoid contents from dried fruit of Crataegus pinnatifida in vitro and in vivo. J Agric Food Chem , 53(2), 430-436.
[4] Chang, W. T., Dao, J. & Shao, Z. H. (2005). Hawthorn: potential roles in cardiovascular disease. The Am. J. Chin. Med, 33(01), 1-10.
[5] Pittler, M. H., Schmidt, K. & Ernst, E. (2003). Hawthorn extract for treating chronic heart failure: meta-analysis of randomized trials. The Am. J. Chin. Med, 114(8), 665-674.
 [6] Jahanbakhshi, A. & Kheiralipour, K. )2019(. Carrot Sorting Based on Shape using Image Processing, Artificial Neural Network, and Support Vector Machine. J AGR Machine, 9(2): 295-307. (In Persain).
[7] Teimouri, N., Omid, M., Mollazade, K., Mousazadeh, H., Alimardani, R., & Karstoft, H. (2018). On-line separation and sorting of chicken portions using a robust vision-based intelligent modelling approach. Biosyst Eng, 167, 8-20.
[8] Kheiralipour, K., Ahmadi, H., Rajabipour, A. & Rafiee, S. (2018). Thermal Imaging, Principles, Methods and Applications. Ilam Uni Pub. Ilam, Iran. (In Persian).
[9] Kheiralipour, K. & Kazemi, A. 2020. A new method to determine morphological properties of fruits and vegetables by image processing technique and nonlinear multivariate modeling. Int J Food Prop, 23(1), 368-374.
[10] Farokhzad, S., Motlagh, A.M., Moghadam, P.A., Honarmand, S.J. & Kheiralipour, K. (2020). Application of infrared thermal imaging technique and discriminant analysis methods for non-destructive identification of fungal infection of potato tubers. J Food Measure Charac, 14 (1), 88-94.
[11] Wang, A., Zhang, W., & Wei, X. (2019). A review on weed detection using ground-based machine vision and image processing techniques. Comput Electron Agric, 158, 226-240.
[12] Liming, X. & Yanchao, Z. (2010). Automated strawberry grading system based on image processing Author links open overlay panel. Comput Electron Agric, 71, S32-S39.
[13] Seng, W. C., & Mirisaee, S. H. (2009, August). A new method for fruits recognition system. In 2009 Int Con Elec ENG (Vol. 1, pp. 130-134). IEEE.
[14] Sofu, M. M., Er, O., Kayacan, M. C., & Cetişli, B. (2016). Design of an automatic apple sorting system using machine vision. Comput Electron Agric, 127, 395-405.
[15] Mizushima, A. & Lu, R. (2013). An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method. Comput Electron Agric, 94, 29-37.
[16] Zandi, M., Ganjloo, A. & Bimakr. M. (2020). Development of quality grading system based on image processing for hawthorn classification during various storage condition (cold, refrigerator and room). J Food Res, 30(1): 195-210.
[17] Sonka, M., Hlavac, V. & Boyle, R. (2014). Image process anal mach visi. (4th ed) Cengage Learning. Boston, Massachusetts, US: Springer.
[18] Mohammadi, V., Kheiralipour, K. & Ghasemi-Varnamkhasti, M. (2015). Detecting maturity of persimmon fruit based on image processing technique. Sci Hortic, 184, 123-128.
[19] Kheiralipour, K. & Pormah, A. 2017. Introducing new shape features for classification of cucumber fruit based on image processing technique and artificial neural networks. J Food Process Eng, 40(6), 12558.
[20] Khazaee, Y., Kheiralipour, K., Hosainpour, A. & Javadikia, H. (2019). Development of an algorithm based on image processing technique and sport vector machine to distinct potato from clod and stone. J Res Mech Agri, 8(1), 1-11. (In Persian).
[21] Gonzalez, R. C., & Woods, R. E. (2002). Digit Image Process (2nd ed). New Jersey: Prentice Hall Inc.
[22] Kheiralipour, K. (2012). Implementation and construction of a system for detecting fungal infection of pistachio kernel based on thermal imaging (TI) and image processing technology. Ph.D. Dissertation. Karaj, Iran: Uni Tehran. [In Persian].
[23] Mollazade, K., Omid, M., Tab, F. A., Kalaj, Y. R., Mohtasebi, S. S., & Zude, M. (2013). Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging. Comput Electron Agric, 98, 34-45.
[24] Salam, S. & Kheiralipour, K. (2021). Development and evaluation of chickpea classification system based on visible image processing technology and artificial neural network. Innov Food Tech, 9(2), 181-193.
[25] Kheiralipour, K., & Marzbani, F. (2016). Pomegranate quality sorting by image processing and artificial neural network. 10th  Iranian National Congress on AGR Machi Eng (Biosystems) and Mechanizasion. 30-31 August, Mashhad, Iran. [In Persian].
[26] Azadnia, R, & Kheiralipour, K. (2021). Recognition of leaves of different medicinal plant species using a robust image processing algorithm and artificial neural networks classifier. J Appl Res Med Aromat Plants, 100327.
 [27] Chandrashekar, G. & Sahin, F. (2014). A survey on feature selection methods. Comput Electron Agric, 40(1), 16-28.
[28] Dixon, S. J., Heinrich, N., Holmboe, M., Schaefer, M. L., Reed, R. R., Trevejo, J. & Brereton, R. G. (2009). Application of classification methods when group sizes are unequal by incorporation of prior probabilities to three common approaches: Application to simulations and mouse urinary chemosignals. Chemometrics and Intelligent Laboratory Systems, 99(2), 111-120.
[29] Wu, W., Mallet, Y., Walczak, B., Penninckx, W., Massart, D. L., Heuerding, S. & Erni, F. (1996). Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data. Anal Chim Acta, 329(3), 257-265.
[30] Aggarwal, N. & Agrawal, R. K. (2012). First and second order statistics features for classification of magnetic resonance brain images. J Signal Process Syst, 3, 146-153.
[31] El-Bendary, N., El Hariri, E., Hassanien, A. E. & Badr, A. (2015). Using machine learning techniques for evaluating tomato ripeness. Expert Syst Appl, 42(4), 1892-1905.
[32] Nasiri, A., Taheri-Garavand, A., & Zhang, Y. D. (2019). Image-based deep learning automated sorting of date fruit. Postharvest Biol Technol, 153, 133-141.
[33] Saranya, N., Srinivasan, K. & Kumar, S. P. (2021). Banana ripeness stage identification: a deep learning approach. J Ambient Intell Humaniz Comput. https://doi.org/10.1007/s12652-021-03267-w.
فناوری‌های جدید در صنعت غذا
دوره 9، شماره 4
مرداد 1401
صفحه 331-344

فایل ها

سابقه مقاله

  • تاریخ دریافت: 21 اسفند 1400
  • تاریخ بازنگری: 28 فروردین 1401
  • تاریخ پذیرش: 18 اردیبهشت 1401

هم رسانی

ارجاع به این مقاله

آمار