تشخيص پرتقال روي درخت با كاربرد پردازش تصاوير ديجيتال بر اساس روش شبكه عصبي و تراكم سايه روشن

Orange Recognition on Tree Using Image Processing Method Based on Lighting Density Pattern

طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیك پرتقال و برخی مركبات ایجاد شده است. اولین گام در برداشت رباتیك شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و كامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیق سعی شده است الگوریتم مناسبی به‌منظور تشخیص پرتقال روی سایبان درخت ارائه شود. به‌منظور ارزیابی الگوریتم ارائه شده تعداد 500 تصویر كه در شرایط كاملاً متفاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازی، قطعه بندی، فیلتر اندازه، تفكیك میوه‌ها بر مبنای الگوی تراكم سایه و روشنایی و تعیین مختصات می‌باشد. در این تحقیق برای قطعه بندی از شبكه عصبی MLP (با سه لایه مخفی) استفاده شد كه موفقیت به‌كارگیری آن با توجه به نرخ كشف صحیح پرتقال ها با دقت 2/88% مورد تایید قرار گرفت. با توجه به درصد بالای پرتقال‌های خوشه ای نسبت به كل پرتقال ها در تصاویر، هر الگوریتمی كه بخواهد در زمینه شناسایی پرتقال بر روی درخت موفق عمل كند باید راه حلی برای تفكیك پرتقال ها از هم ارائه دهد كه در پژوهش حاضر روشی جدید بر مبنای الگوی تراكم سایه روشن، به‌كار گرفته شد و كارایی آن مورد ارزیابی قرار گرفت. در نهایت دقت تفكیك 5/89 درصد و دقت شناسایی 2/88 درصد به‌دست آمد.

Within the last few years, a new tendency has been created towards robotic harvesting of oranges and some of citrus fruits. The first step in robotic harvesting is accurate recognition and positioning of fruits. Detection through image processing by color cameras and computer is currently the most common method. Obviously, a harvesting robot faces with natural conditions and, therefore, detection must be done in various light conditions and environments. In this study, it was attempted to provide a suitable algorithm for recognizing the orange fruits on tree. In order to evaluate the proposed algorithm, 500 images were taken in different conditions of canopy, lighting and the distance to the tree. The algorithm included sub-routines for optimization, segmentation, size filtering, separation of fruits based on lighting density method and coordinates determination. In this study, MLP neural network (with 3 hidden layers) was used for segmentation that was found to be successful with an accuracy of 88.2% in correct detection. As there exist a high percentage of the clustered oranges in images, any algorithm aiming to detect oranges on the trees successfully should offer a solution to separate these oranges first. A new method based on the light and shade density method was applied and evaluated in this research. Finally, the accuracies for differentiation and recognition were obtained to be 89.5% and 88.2%, respectively.