پديدآورندگان :
محمدي‌لعل‌آبادي حسنا دانشجوي كارشناسي ارشد، دانشكده كشاورزي، دانشگاه صنعتي اصفهان، اصفهان، ايران , صادقي مرتضي sadeghimor@cc.iut.ac.ir دانشيار، دانشكده كشاورزي، دانشگاه صنعتي اصفهان، اصفهان، ايران؛ , ميره‌اي سيداحمد استاديار، دانشكده كشاورزي، دانشگاه صنعتي اصفهان، اصفهان، ايران , معصومي امين‌اله دانشيار، دانشكده كشاورزي، دانشگاه صنعتي اصفهان، اصفهان، ايران.
كليدواژه :
آبشش , تازگي ماهي , شبكه عصبي مصنوعي , طبقه‌بندي , ماشين بينايي.
چكيده فارسي :
تازه بودن ماهي شاخص مهمي از كيفيت آن است. با توجه به ارزش غذايي ماهي در سبد غذايي خانوار، دستيابي به فناوري‌هاي جديد براي تشخيص تازگي آن حائز اهميت است. در اين پژوهش پس از تهيه 20 نمونه ماهي قزل‌آلاي رنگين‌كمان پرورشي، تغيير رنگ آبشش آن‌ها با استفاده از روش پردازش تصوير مورد مطالعه قرار گرفت تا تازگي آن‌ها ارزيابي شود. از يك سيستم پردازش تصوير ديجيتال به منظور ثبت مشخصات رنگي آبشش نمونه‌ها استفاده شد. تصوير برداري از نمونه‌هاي ماهي به مدت 10 روز صورت گرفت و در هر روز 40 تصوير رنگي از آبشش‌هاي راست و چپ نمونه‌ها گرفته شد. شاخص‌هاي R، G و B به ترتيب به عنوان پارامترهاي قرمز، سبز و آبي، طي زمان نگهداري نمونه‌ها در يخ تعيين شدند. تصاوير اوليه فراخواني شده در نرم‌افزار MATLAB در فضاي رنگي RGB بودند. اين عكس‌ها به كامپيوتر انتقال داده شده و در جعبه ابزار پردازش تصوير نرم‌افزار مورد پردازش قرار گرفتند. قبل از پردازش اصلي تصاوير، يك مرحله پيش پردازش روي آن‌ها انجام شد تا نويز از تصوير حذف شود. سپس مؤلفه‌هاي رنگي قرمز، سبز و آبي از تصوير اوليه استخراج شده و پس از تعيين حد آستانه و حذف نقاط كوچك ناخواسته، تصاوير سياه و سفيد نهايي به دست آمدند. در نهايت پس از عمليات AND منطقي، تصاوير رنگي نهايي حاصل شد. در مرحله بعد، از تصاوير پردازش شده 54 صفت رنگي در فضاهاي رنگي RGB، HSV و L*A*B* استخراج شد و از شبكه عصبي مصنوعي (ANN) براي طبقه‌بندي مدت نگهداري ماهي قزل‌آلاي رنگين‌كمان در پنج كلاس (روزهاي اول، سوم، پنجم، هفتم و نهم نگهداري) استفاده شد. دقت كلي نتايج آزمون حاصل از طبقه‌بندي ANN براي آبشش ماهي برابر با 95% بود.
چكيده لاتين :
Fish freshness is an important index for its quality. According to the nutritional value of fish in the food basket, achieving new technologies for its freshness assessment is of great importance. In this research, 20 farmed rainbow trout (Oncorhynchus mykiss) fish were prepared and their gills color changes were monitored by using machine vision technique in order to evaluate their freshness. A digital color imaging system was employed to record the visual characteristics of the gills. By collecting the photos of the samples for 10 days, 40 colored photos were acquired from the right and left gills. The R, G, and B were determined as redness, greenness, and blueness parameters during ice-storage of the samples. The initial recalled images in MATLAB software were in the RGB color space. Then, the color photos were transferred to the computer and processed in image processing toolbox of the software. Before the main processing operation, a pre-processing step was conducted on the images in order to remove the noise. Afterwards, the R, G, and B components were extracted from the initial images and the final black and white images were obtained after applying the threshold and eliminating undesired small points. Finally, by applying the logical AND operation, the final colored images were obtained. Thereafter, 54 color features were extracted in the RGB, HSV, and L*A*B* color spaces. Artificial neural network (ANN) was utilized for classification of rainbow trout freshness to five classes (First, third, fifth, seventh, and ninth days of storage). Via the ANN method, the total accuracy of 92% obtained for the freshness classification based on the feature extracted from the color parameters of the gill.
