كليدواژه :
نخود , رنگ , بافت , درجه بندي , پردازش تصوير
چكيده فارسي :
قابليت تشخيص رنگ، بافت، و شكل در فناوري پردازش تصوير منجر به توسعه سامانه هاي ماشين بينايي در حوزه هاي مختلف كشاورزي، صنايع تبديلي، و صنعت شده است. وجود دانه هاي با ظاهر نامناسب و ناخالصي ها در نخود و تاثير مستقيم كيفيت ظاهري محصول بر بازپسندي آن، ضرورت درجه بندي اين محصول را نشان مي دهد. هدف از تحقيق حاضر تشخيص نخود با ظاهر نامناسب و ناخالصي از نخود با ظاهر مناسب با توسعه يك سامانه ماشين بينايي مي باشد. تعداد 270 تصوير شامل تصوير 54 نمونه نخود با ظاهر مناسب و 36 نمونه از هر كدام از انواع نخود با ظاهر نامناسب (چروكيده، سبز رنگ، قهوه اي رنگ، و لپه) و مواد خارجي (سنگ و ساقه) تهيه گرديد. پس از تهيه تصاوير نمونه ها، با استفاده از يك الگوريتم پردازش تصوير، مراحل پيش پردازش و استخراج ويژگي به صورت خودكار انجام شده و ويژگي هاي مختلف رنگ، بافت و شكل استخراج گرديد. الگوريتمي براي انتخاب ويژگي هاي كارا از بين ويژگي هاي استخراجي توسعه يافت. ويژگي هاي كارا توسط روش شبكه عصبي مصنوعي با دقت كلي 91/9 درصد طبقه بندي شدند. دقت تشخيص نمونه هاي نخود مطلوب، چروكيده، لپه، نارس، قهوه اي، و ناخالصي هاي ساقه و سنگ، به ترتيب برابر 98/1، 83/3، 100/0، 91/7، 97/2، 77/8، و 97/2 درصد بود. با استفاده از سامانه توسعه يافته مي توان محصول نخود را با دقت بالا و هزينه پايين درجه بندي نموده تا پس از جداسازي ناخالصي ها، نخود مرغوب و نامرغوب را از هم جدا و براي مصارف مختلف روانه بازار نمود.
چكيده لاتين :
The ability to recognize color, texture, and shape in image processing technology has led to the development of machine vision systems in various fields of agriculture, conversion industries, and industry. The existence of impurities and seeds with an unsuitable appearance in chickpeas and the direct effect of the appearance quality of the product on its marketability, shows the need for grading this product. The aim of the present study was to distinguish impurities and chickpeas with an inappropriate appearance from chickpeas with a suitable appearance by developing a machine vision system. Totally 270 images including 54 samples of chickpeas with suitable appearance and 36 samples of each type of chickpeas with inappropriate appearance (wrinkled, green, brown, and split) and foreign materials (stone and stem) were prepared. After preparing the sample images, the pre-processing and feature extraction steps were performed automatically and different color, texture and shape properties were extracted by developing and using an image processing algorithm. An algorithm was developed to select efficient features from the extracted features. Efficient features were classified by the artificial neural network method with total accuracy of 91.9%. The detection accuracy for desirable, wrinkled, cotyledon, immature, and brown chickpea and stem and stone impurities was equal to 98.1, 83.3, 100.0, 91.7, 97.2, 77.8, and 97.2% respectively. Using the developed system, the chickpea product can be graded with high accuracy and low cost, so that after separating the impurities, the desirable and undesirable chickpeas can be separated and sent to the market for different uses.
