تعيين درصد خرده برنج در توده با واكاوي ويژگي‌هاي تصوير

Determining Percentage of Broken in Rice Batches with Image Texture Analysis

روش‌ رايج اندازه‌گيري و محاسبه مقدار خرده برنج در يك توده، جداسازي و توزين برنج‌هاي سالم و شكسته است. جداسازي دانه‌هاي برنج‌ به وسيله الك يا به‌ صورت دستي انجام مي‌شود كه انجام اين كار نيازمند صرف وقت و نمونه‌گيري دوره‌اي است. در اين مطالعه برخي ويژگي‌هاي بافت تصوير توده برنج براي تعيين درصد خرده برنج آن مورد بررسي قرار گرفت. براي اين منظور، 21 نمونه 100 گرمي حاوي درصدهاي متفاوت برنج خرده از تركيب برنج سالم و خرده برنج (شامل صفر تا 100 درصد خرده) تهيه شد. از هر نمونه تعداد 10 تصوير از توده تهيه شد. با پيش ‌پردازش تصاوير، نوفه و پس زمينه حذف شد و تصاوير از حالت رنگي به باينري تبديل شدند و با استفاده از نرم‌افزار Matlab ويژگي‌هاي بافت تصاوير استخراج شد. تعداد 23 ويژگي بافتي از تصاوير نمونه‌هاي برنج با روش ماتريس هم‌رخداد سطح خاكستري استخراج شد. كاهش تعداد ويژگي‌هاي بافت تصوير با تحليل مؤلفه‌هاي اصلي انجام شد. با اين روش 23 ويژگي محاسبه شده با 3 عامل اصلي (متغير پنهان) مرتبط شد. رابطه بين درصد خرده برنج در نمونه‌ها با ويژگي‌هاي بافتي مستخرج از تصاوير با روش شبكه عصبي مصنوعي با ورودي ويژگي‌هاي بافتي (عامل‌هاي اصلي) و خروجي درصد برنج خرد شده بررسي گرديد. داده‌ها به چهار شبكه عصبي با توپولوژي متفاوت از نظر تعداد نرون‌ها در دولايه مخفي وارد و خروجي آن مورد بررسي قرار گرفت. نتايج حاصل از خروجي شبكه‌هاي عصبي بررسي شده نشان داد شبكه عصبي با ساختار 1-8-6-3 با ضريب تبيين 958/0 توانست مقدار خرده برنج (درصد) در يك توده را با خطاي كل 5/1 درصد تشخيص دهد. افزون بر آن، مشخص شد ده ويژگي بافت تصوير مرتبط با عامل اصلي اول، چهار ويژگي مرتبط با عامل اصلي دوم، چهار ويژگي مرتبط به عامل اصلي سوم و پنج ويژگي بافت هم به صورت مشترك وابسته با عامل‌هاي اصلي اول و دوم بودند. هشت ويژگي با ضريب عاملي بالاتر از 9/0 مرتبط با عامل اول و سوم بيشترين تاثير را در تخمين درصد خرده برنج داشته‌اند. اين روش تعيين درصد خرده برنج نسبت به نوع مرسوم (دستي) آن سريع است و قابليت برخط شدن را دارد.

Separation and weighing of broken of rice kernels within a batch is a common way for measuring the amount of brokens. Separation is carried out by sieve or hand that is time-consuming method and required periodical sampling. In the present study, some image texture features of a rice batch for determining the percentage of brokens were applied. In order to this, twenty-one samples of 100 g were prepared with different breakage percentages from mixture of broken and whole rice kernels (containing zero to 100 percent broken). Ten images were then taken from each sample batch. After pre-processing of the images such as noise removing and creating binary images, the texture features of the images were extracted using MATLAB software. Twenty-three texture features were extracted using a grayscale co-occurrence matrix method. The principal components analysis (PCA) method was employed to reduce number of the features. By which, 23 calculated and measured texture features was reduced to three principal components (latent variables). Then, the relationship between percentage of broken rice in the sample and the principle components of 23 extracted texture features from the images by artificial neural network method was pinpointed. Four different topology of neural networks with different neurons in two hidden layers were employed. The results of neural networks outputs revealed that 3-6-8-1 topology could determine the percentage of broken in a batch of rice kernels with 0.958 coefficient of determination (R2) and total estimation error of 1.5 percent. Moreover, it was found that 10 texture features were related to first principal component, four features related to second component, four related to third component, and five fractures were simultaneously related first and second principal components. Eight features with correlation more than 0.9 with the first and third principal component had the most impact on estimation of percentage of broken. This method of measurement is fast, affordable and has proper precision with respect to the common (hand) method for online applications.