ساخت، توسعه و ارزيابي سامانه جداكننده‏ توت فرنگي با استفاده از تكنولوژي بينايي ماشين

Development and evaluation of a strawberry sorting system using machine vision technique

سيستم بينايي ماشين،‏ از جمله سيستم‏ هاي جديد در زمينه تشخيص كيفيت محصولات كشاورزي است. كيفيت محصولات كشاورزي،‏ عاملي تعيين كننده در بازارپسندي محصول است. در اين پژوهش،‏ دستگاهي به منظور توسعه و ارزيابي جداكننده توت فرنگي با استفاده از تكنولوژي بينايي‏ ماشين ساخته شد. توت فرنگي،‏ به عنوان منبع غني از آنتوسيانين در طبيعت است. آنتوسيانين ها به دليل آثار مفيد در سلامتي،‏ به خصوص به دليل داشتن فعاليت آنتي ‏اكسيداني،‏ ضدسرطاني و ضدالتهابي،‏ بسيار مورد توجه هستند. در اين پژوهش،‏ به امكان استفاده از الگوريتم پردازش تصوير براي تعيين بي درنگ رسيدگي ميوه توت ‏فرنگي بر اساس ويژگي داخلي (ميزان آنتوسيانين) پرداخته شد. بر اين اساس 12 تك كانال رنگي توسعه و 228 ويژگي رنگي و بافتي استخراج و براي تعيين موثرترين ويژگي هاي استخراج شده،‏ آناليز همبستگي ميان پارامترهاي مخرب (وزن،‏ آنتوسيانين،‏ قند،‏ كلروفيل و كارتنوئيد) و غيرمخرب در سطح احتمال 5% انجام شد. نتايج بررسي‏ ها نشان داد كه فضاي رنگي (R/(R+G+B به عنوان فضاي مطلوب و همچنين ميانگين و كشيدگي اين فضاي رنگي به ترتيب با ضريب همبستگي ۰/۹۳ و ۰/۹۱ با آنتوسيانين به عنوان بهترين ويژگي ها انتخاب شدند. به علاوه ميزان رسيدگي توت‏ فرنگي در طي مراحل مختلف رشد با استفاده از سيستم بينايي ‏ماشين با دقت 90% تشخيص داده شد.

Machine vision system is one of the emerging technologies for the quality assessment of agricultural products. Quality of agricultural products is a crucial factor in marketability. In this study، a device was fabricated and developed to evaluate the quality of strawberry using machine vision technology. Strawberry is a rich source of anthocyanins in the nature. Because of the beneficial effects of anthocyanins on health، especially due to its antioxidant، anticancer and anti-inflammatory activites، especial attention is paid to strawberry consumption. In the present study، the possibility of using image processing algorithms to determine the maturity of strawberry fruits based on color and its relationship with the features extracted by destructive methods (weight، antioxidants، sugar، chlorophyll and carotenoids) was evaluated. For this purpose، 12 single-channel color spaces were developed and 228 color features were extracted. To determine the most effective features، correlation analyses were performed between destructive and non-destructive properties at 5% confidence level . The results showed the color space R / (R + G + B) as the most desired space whose features including sweetness and mean resulted in correlation coefficients of 0.93 and 0.91، respectively with anthocyanins. In addition، the maturity of strawberry could be classified during different growth stages using machine vision with an accuracy of 90%.