طراحي و توسعه سامانه بينايي ماشين به منظور تعيين خودكار عيوب ظاهري سيب

Design and development of a machine vision system to determine the apparent apple imperfections

سيستم بينايي ماشين، از جمله سيستم‌هاي جديد در زمينه تشخيص كيفيت محصولات كشاورزي است. سيب از جمله ميوه‌هايي است كه كيفيت ظاهري آن عاملي تعيين‌كننده در بازارپسندي اين محصول بشمار مي‌رود. تشخيص خودكار سيب‌هاي معيوب از طريق سيستم بينايي ماشين به علت توزيع ناهموار نور بر روي سطح آن‌ها و شباهت بين نقص‌هاي واقعي با تغييرات رنگ پوسته امري دشوار مي‌باشد. بدين منظور در اين پژوهش يك روش جديد براي تشخيص معيوب ظاهري سيب با استفاده از سيستم بينايي ماشين با تركيب تصحيح خودكار نور، تعداد عيب‌ها، ارائه گرديد. به منظور طبقه‌بندي نمونه‌ها، ابتدا هيستوگرام تصايور اخذ شده از آن‌ها بر اساس روش تركيب خطي فضاي RGB تصحيح و سپس تعداد 3 ويژگي رنگي و 11 ويژگي بافتي از آن‌ها استخراج گرديد. بر اساس نتايج انتخاب ويژگي، بهترين ويژگي‌ها به منظور بالاترين دقت در طبقه‌بندي به ترتيب آنتروپي، انرژي، همبستگي و صافي محلي بودند. نهايتا به منظور طبقه‌بندي داده‌ها از دو طبقه‌بند ماشين ارتباط برداري (RVM) و ماشين‌ بردار پشتيباني (SVM) استفاده گرديد. بر اساس نتايج بدست آمده دقت طبقه‌بند RVM در گروه سالم 95%، در گروه ناسالم 82% و در مجموع 88/5 % بدست آمده است، اما دقت طبقه‌بند SVM در گروه سالم 100%، در گروه ناسالم 94/23 % و در مجموع 97/11 % بود. بنابراين براي تشخيص نمونه سالم از نمونه ناسالم طبقه‌بند SVM با توجه به عملكرد مناسب‌تر نسبت به RVM با توجه به دقت بيشتر و خطاي كمتر مناسب‌تر مي‌‌باشد.

The machine vision system is one of the newest systems for identifying the quality of agricultural products. Apple is one of the fruits whose apparent quality used by customer to select this product at the market. Automatic detection of faulty apples through the machine's visual system is difficult due to the non-uniform of distribution of on the surface and the similarity between actual defects with the color changes of the fruit peel. For this purpose, in this study, a new method for detecting apparent defects of apple using a machine vision system with a combination of auto-correction of light was presented. In order to classify the samples, the histogram of the taken images was corrected based on the RGB method, then three-color and 11 textural features were extracted. Based on the results of the feature selection, the best features for the highest accuracy in the classification were respectively entropy, energy, correlation and local smooth. Finally, for categorization of data, two classifiers namely relevance vector machine (RVM) and support vector machine (SVM) were used. Based on the classification results, the accuracy of the RVM classification was 95% in the sound group, 82% in the unsound group and 88.5% in for total accuracy; but the accuracy of the SVM classification was 100% in the sound group, 94.23% in the unsound group and 97.11% for total accuracy. Therefore, in order to detect sound samples from unsound ones the SVM classification is more suitable than the RVM, due to the greater accuracy and less error.