مروري بر كاربردهاي روش هاي پردازش تصوير بر كنترل كيفيت محصولات غذايي-بخش دوم: روش هاي مبتني بر مدل و مبتني بر تبديل هاي رياضي در پردازش بافتار

A review on Applications of Image Processing Methods on Food Product's Quality Control- Part B: Model-Based and Transform-Based Texture Processing Methods

با افزايش حساسيت هاي قانوني و انتظارات مصرف كنندگان در ارتباط با كيفيت محصولات غذايي، نياز به ارزيابي دقيق و سريع اين محصولات در صنايع غذايي روبه افزايش است. بينايي ماشين با بهره گيري از روش هاي پردازش تصوير امكان نظارتِ مكانيزه و غيرمخرب بر كيفيت محصولات غذايي را فراهم نموده است. بافتار به عنوان يكي از مهم ترين ويژگي هاي تصوير، در كنترل كيفيت محصولات غذايي در سال هاي اخير به طور گسترده به كار گرفته شده است. بطور كلي روش هاي ارزيابي بافتار به چهار دسته ي آماري، ساختاري، روش هاي مبتني بر مدل و مبتني بر تبديل تقسيم بندي مي شود. در بخش اولِ اين پژوهش به مباني پردازش بافتارِ تصوير با استفاده از روش هاي آماري پرداخته شد. موضوع مورد بحث در بخش دوم، روش هاي مبتني بر مُدل و تبديل هاي رياضي در پردازش بافتار است. روش هاي مبتني بر مُدل با در نظر گرفتن مُدلي رياضي جهت يافتن ارتباط بين سطح روشنايي پيكسل ها عمل مي نمايند؛ در حالي كه روش هاي مبتني بر تبديل با استفاده از كميت هاي حاصل از تصاوير انتقال يافته توسط تبديل هاي رياضي، توصيفي از بافتار به دست مي دهند. در پژوهش حاضر پس از معرفي نحوه ي عملكرد روش هاي مذكور، مثال هايي از پژوهش هاي اخير ارائه شده است كه با به كارگيري بافتار تصوير كمي شده به وسيله ي اين روش ها، كنترل كيفيت مواد غذايي را ممكن ساخته اند. نتايج حاصل از تحقيقات گذشته نشان مي دهد كه پس از روش هاي آماري، روش هاي مبتني بر مدل و تبديل هاي رياضي در صنايع غذايي در جايگاه دوم (از نظر دقت عملكرد و محبوبيت به كارگيري) قرار مي گيرند.

Consumers increased expectations of high quality food products as well as stringent regulations has increased the need for an accurate and fast method for quality assessment and control of the products in food industries. Machine vision with the aid of various image processing methods has been introduced as an objective, automate, and non-destructive approach capable for food quality control. Texture as one of the most important image's features has been used extensively in food quality monitoring applications. Generally, quantitative texture assessment methods are divided into four groups: statistical, structural, model-based, and transform-based methods. In the first part of this research (part A), the principles of the statistical image texture processing methods were reviewed. The subject of the second part (part B) is model-based and transform-based texture processing methods. Model-based methods quantify image texture by considering a mathematical equation explaining relation between pixels' intensities, while transform-based methods extract textural features of an image which is transformed by mathematical transforms. In the present paper, at first mechanisms of these groups of texture evaluation methods have been presented. Then, examples of recent studies related to employments of image texture in quality control of food products have been reviewed. The results of the previous studies indicate that after statistical methods, model-based and transform-based methods are the most accurate and popular texture evaluation methods in food industries