طراحی سیستمی اتوماتیک جهت درجه‌بندی‌کشمش و تعیین درصد دم داربودن آن با استفاده از تکنیک‌های پردازش تصویر

نوآوری در علوم و فناوری غذایی

دوره 15، 3(پاییز) - شماره پیاپی 57، مهر 1402، صفحه 113-124   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jfst.2021.1925643.1708

نویسندگان

مسعود خزاعی فدافن^{* 1}؛ سید حسین استیری²

¹گروه مهندسی برق و کامپیوتر ، دانشکده امام خمینی(ره) سبزوار، واحد خراسان رضوی ، دانشگاه فنی و حرفه ای‌، تهران‌، ایران.

²گروه علوم و صنایع غذائی‌، واحد سبزوار‌، دانشگاه آزاد اسلامی ، سبزوار‌، ایران.

چکیده

چکیده : کشمش یکی از محصولات مهم کشاورزی است که از خشک کردن انگور بدست می آید. در حال حاضر درجه بندی کشمش و تعیین درصد انواع مختلف کشمش در یک نمونه و همچنین تشخیص دم دار بودن و یا نیودن آن به صورت دستی انجام می گیرد وبنابراین مستلزم صرف زمان زیادی می باشد. در این مطالعه ، هدف ارائه الگوریتمهایی مؤثر و توانمند با استفاده از تکنیکهای پردازش تصویر در حوزه بینایی ماشین برای درجه بندی کشمش و همچنین تشخیص و تعیین درصد کشمشهای دم دار و بی دم می باشد. جهت تجزیه و تحلیل الگوریتم ارائه شده ، با تهیه عکس از نمونه های مختلفی از انواع کشمش و اجرای الگوریتمهای پیشنهادی بر روی این نمونه ها در نرم افزار MATLAB و مقایسه نتایج به دست آمده با روشهای دستی ، عملکرد الگوریتم مورد ارزیابی قرار می گیرد. جهت ارزیابی عملکرد روشهای پیشنهادی معیارهای دقت کل ، حساسیت و دقت خروجی مثبت محاسبه گردید که یافته های حاصل شده از ارزیابی روش پیشنهادی جهت درجه بندی کشمش دقت کل 98/65% ، حساسیت 98/47% و دقت خروجی مثبت 97/83% و همچنین یافته های روش پیشنهادی جهت تعیین درصد دم دار بودن کشمش نیز دقت کل 98% ، حساسیت 32/92% و دقت خروجی مثبت 69/98% را نشان داد که بیانگر عملکرد مطلوب و قابل اعتماد این روشها همراه با صرف هزینه کم ( محاسبات نرم افزاری کم ) در مقایسه با روشهای سنتی می باشد.

کلیدواژه‌ها

درجه بندی کشمش؛ پردازش تصویر؛ دم داربودن کشمش؛ استخراج ویژگی

مراجع

1. Abbasgolipour, M., Omid, M., Keyhani, A., Mohtasebi, SS. 2010. Sorting raisins by machine vision system. Modern Applied Science, 4(2): 49-56.
2. Abbasgholipour, M., Omid, M., Keyhani, A., Mohtasebi. SS. 2011. Color image segmentation with genetic algorithm in a raisin sorting system based on machine vision in variable conditions. Expert
3. Chen, Y-R., Chao, K., Kim, MS. 2002. Machine vision technology for agricultural applications.Computers and electronics in Agriculture, 36(2):‌73-91.
4. Gohil, A., Pipalia, D. 2016. Review on small size object detect and count using digital image processing. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 5(5)‌: 1423-1426.
5. Jazayeriy, H., Nosrati, A., FayyazZadeh, F. 2017. Detecting and Counting Non-Mitotic Cells of Immunohistochemical Stained Breast Tissue. Iranian Quarterly Journal of Breast Disease, 9(4) : 26-36.
6. Khojastehnazhand, M., Ramezani, H. 2019. Bulk Raisin Classification using Gray Level Co-occurrenc Matrix. Iranian Biochemical Engineering, 50(4): 951-961.
7. Maheshwari, CV. 2013. Machine Vision Technology for Oryza Sativa L.(RICE). International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering,  2(7): 2893-2900.

 

8. Omid, M., Sharouzi, M., Keyhani, A. 2010. Development of an Automated Machine for Grading Raisins based on Color and Size. Journal of Modelling and Simulation of System, 1(3): 62-75.
9. Pawar SP, Sarkar A.2013 . Cost Effective Grading Process for Grape Raisins based on HSI and Fuzzy Logic Algorithms. International Journal of Computer Applications, 67: 22-28.
10. Prajapati, BB., Patel, S. 2013. Algorithmic approach to quality analysis of Indian Basmati rice using digital image processing. Int J Emerg Technol Adv Eng, 4:503-509.
11. Sadrnia, H., Rajabipour, A., Jafary, A., Javadi, A., Mostofi, Y. 2007. Classification and analysis of fruit shapes in long type watermelon using image processing. Int J Agric Biol, 70: 61-69.
12. Saglam, Ö., Velioglu, HM. 2012. Evaluation of Insect Damage on Wheat using Image Processing  Technology. International Conference of Agricultural Engineering, 8-12 .
13. Shantaiya, S., Ansari, U. 2012. Identification of food grains and its quality using pattern

 classification. international journal of computer and communication technology, 3(1): 15-19.

14. Shinde, KG., Patil, B. 2017. Sorting of raisins using computer vision approach. International Research Journal of Engineering and Technology, 4: 643-648.
15. Siddagangappa, MR., Kulkarni, APA. 2014. Classification and Quality Analysis of Food Grains. IOSR Journals (IOSR Journal of Computer Engineering), 16: 10-15
16. Symons, S., Van Schepdael, L., Dexter, J. 2003. Measurement of Hard Vitreous Kernels in Durum Wheat by Machine Vision. Cereal Chemistry, 80(5): 504-511.
17. vinay, k., veerappa, BN. 2017. Raisins Grade Detection Using Image Processing Technology. International Journal of Science and Research, 6(5): 601- 605.
18.   Zayas, I., Pomeranz, Y., Lai, F. 1989. Discrimination of wheat and nonwheat components in grain samples by image analysis. Cereal Chemistry,  66(3): 226-233.