درجه بندى مغز گردو براساس اندازه و رنگ با استفاده از پردازش تصویر

امروزه توسعه سامانه هاى هوشمندى که بتوانند در مراحل مختلف آماده سازى و فراورى محصولات کشاورزى و مواد غذایى با کارآیى مناسب به کار روند از اولویت هاى تحقیقاتى در این حوزه به شمار مى روند. بدین منظور در پژوهش حاضر آزمایش هایى به منظور بررسى عوامل موثر بر یک سامانه تشخیص مغزگردو براساس اندازه و رنگ (به روش استاندارد) اجرا شد. بررسى ها بر امکان تشخیص دسته هاى کیفى، شامل سه دسته نیمه ، ربعى و خرده و سه دسته رنگى، شامل بسیار روشن ، روشن و کهربایى روشن در یک رقم متداول انجام شد. مولفه هاى پیش بینى کننده شامل قطر کوچک و بزرگ، الگوریتم شناسایى و مولفه هاى رنگى a ،L ،Value ،Saturation ،Hue ،Blue ،Green ،Red و b از سه مدل رنگى و جهت نورپردازى بود. در مقایسه دو روش نورپردازى مشخص شد که هر چند میانگین دقت تشخیص در نورپردازى از پایین (94/3%) نسبت به نورپردازى از بالا (91%) بیشتر است، اما امکان استخراج هم زمان مولفه هاى رنگى و ابعادى، به کارگیرى روش نورپردازى از بالا را موجه مى سازد. نتایج هم چنین نشان داد که دقت و سرعت تشخیص براساس اندازه به مراتب بیش تر از تشخیص دسته هاى رنگى است. به طورى که مى توان نمونه هاى نیمه (نیم -مغز) را با دقت 98/1% و در مدت زمان میانگین 0/31 ثانیه از دسته هاى دیگر تشخیص داد. در حالى که بالاترین دقت در تشخیص مغزهاى با رنگ روشن از دسته هاى دیگر 76/2% و در مدت زمان 1/91 ثانیه بود. براساس نتایج تحلیل تشخیص خطى، با توجه به هم پوشانى داده هاى مدل هاى رنگى مى توان صرفا از شاخص میزان روشنى در مدل HSV با دقت 81% و در مدت زمانى کم تر از 0/6 ثانیه براى تشخیص نمونه هاى بسیار روشن از دو دسته دیگر استفاده کرد. هم چنین در مقایسه مدل هاى رنگى، به ترتیب مدل HSV و Lab از بالاترین و پایین ترین دقت در طبقه بندى برخوردار بودند. بر اساس نتایج این تحقیق مى توان از مولفه هاى رنگى و ابعادى براى تشخیص مغزگردو بر اساس روش استاندارد در مدت زمان کم تر از 2 ثانیه تحت نورپردازى از بالا استفاده نمود. از این اطلاعات مى توان براى طراحى و توسعه سامانه هاى درجه بندى مغز گردو در صنایع غذایى استقاده نمود.

Keywords:

مغز گردو , تشخیص , مولفه رنگى , پردازش تصویر