پيش بيني محتوي چربي و طبقه بندي گوشت شتر مبتني بر تركيب روش غير مخرب پردازش تصوير و شبكه هاي عصبي مصنوعي

Application of image processing and artificial neural networks as a non-destructive approach to prediction of fat content and classification of camel meat

گوشت شتر به دليل داشتن كلسترول و چربي كم و ميزان پروتئين مناسب، مي‌تواند جايگزين مناسبي براي ساير انواع گوشت‌ قرمز در رژيم غذايي انسان باشد. هدف از اين تحقيق، بررسي و ارزيابي تازگي و مقدار محتوي چربي گوشت شتر با استفاده از فن‌آوري غير مخرب ماشين‌ بينايي است. بنابراين، با استفاده از پردازش تصوير به عنوان يكي از روش هاي غير مخرب و دستگاه سوكسله به عنوان روش مخرب، به پيش بيني مقدار محتوي چربي و طبقه بندي تازگي گوشت شتر پرداخته شد. در روش پردازش تصوير 108 ويژگي بافتي و 39 ويژگي رنگي در فضاهاي رنگي RGB،HSV، HIS و CIElab از تصاوير نمونه ها استخراج شد. همچنين براي تخمين اين پارامترها، از شبكۀ عصبي پيشخور با الگوريتم پس-انتشار با يك و دو لايۀ پنهان، تعداد نرون‌ و توابع انتقال مختلف استفاده شد. با توجه به نمودار رگرسيوني چربي به دست آمده از روش مخرب (چربي به دست آمده از دستگاه سوكسله) با چربي حاصله از روش غير مخرب (ماشين بينايي) ضريب تبيين و دقت بين آن ها 0/841 به دست آمد. نتايج ارزيابي شبكه‌هاي عصبي نشان داد كه مطلوب‌ترين شبكه براي طبقه بندي بر اساس تازگي، شبكة با يك لايۀ پنهان با توپولوژي 1-3-147، با توابع انتقال تانژانت سيگموئيد-خطي به ترتيب در لايۀ پنهان اول و لايۀ خروجي و با ضريب تبيين 0/996 و ميانگين خطاي مربعات 22-10×2/3، و همچنين براي پيش بيني مقدار محتوي چربي، شبكة با دو لايۀ پنهان با توپولوژي 1-3-3-147 با تابع انتقال خطي-لگاريتم سيگموئيد-لگاريتم سيگموئيد در لايه‌هاي پنهان اول، دوم و لايۀ خروجي با ضريب تبيين و ميانگين خطاي مربعات به ترتيب 0/99 و 0/402 به دست آمد. بنابراين نتايج بدست آمده از اين تحقيق، نشان مي دهد كه سامانه پيشنهادي با كمك فن‌آوري ماشين بينايي قادر است با دقت بسيار خوبي تازگي و مقدار چربي گوشت شتر را پيش بيني كند.

Camel meat can be a suitable alternative for other red meat types in human nutrition, due to its low cholesterol and low-fat content and the appropriate protein content. This research aims to investigate and evaluate the fat content and freshness of camel meat using machine vision technology as a non-destructive method. Therefore, using image processing as a non-destructive method and Soxhlet device as a destructive method, the amount of fat content was predicted, and also the freshness was classified for camel meat. In the image processing section, 108 textual features and 39 color features were extracted in the RGB, HSV, HIS, and CIElab color spaces. Moreover, to predict the freshness and quality of meat, feed-forward back propagation artificial neural networks with one and two hidden layers, a various number of neurons, and threshold functions were used. Also, according to the regression diagram of fat content obtained from the destructive method (fat content obtained from Soxhlet device) with fat content obtained from non-destructive method (machine vision), the coefficient of determination and accuracy between them achieved 0.841. The results of the evaluation of the neural networks showed that the best desirable network for classification based on freshness is a one-hidden layer network with topology 147-3-1, tangent-sigmoid transfer function at hidden layer and purelin transfer function at output layer (R2= 0.996), and also to prete of fat content the best network is two-hidden layer network with linear, log-sigmoid, log-sigmoid transfer function at first hidden layer, second hidden layer and output layer respectively (R2= 0.99). Therefore, the results of this study show that the proposed system with the help of machine vision technology can predict the freshness and fat content of camel meat with acceptable accuracy.