این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
فناوری های نوین غذایی، جلد ۳، شماره ۴، صفحات ۳۵-۴۶
عنوان فارسی درجه بندی مغز گردو براساس اندازه و رنگ با استفاده از پردازش تصویر
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله مغزگردو، تشخیص، مولفه رنگی، پردازش تصویر،
عنوان انگلیسی Evaluation of Walnut Kernel Based on Size and Color by Image Processing
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله Walnut, Discrimination, Machine vision, Color Model
نویسندگان مقاله امیرحسین افکاری سیاح |
عضو هیئت علمی، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

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

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

نشانی اینترنتی http://jift.irost.ir/article_300_912e3548fd823adcf0603f0af115161c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1026/article-1026-597760.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات