سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,230
تعداد مقالات67,764
تعداد مشاهده مقاله115,197,878
تعداد دریافت فایل اصل مقاله89,946,004
تیموری, نیما, امید, محمود, ملازاده, کاوه, رجبی پور, علی. (1394). جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی. , 46(4), 355-362. doi: 10.22059/ijbse.2015.57341
نیما تیموری; محمود امید; کاوه ملازاده; علی رجبی پور. "جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی". , 46, 4, 1394, 355-362. doi: 10.22059/ijbse.2015.57341
تیموری, نیما, امید, محمود, ملازاده, کاوه, رجبی پور, علی. (1394). 'جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی', , 46(4), pp. 355-362. doi: 10.22059/ijbse.2015.57341
تیموری, نیما, امید, محمود, ملازاده, کاوه, رجبی پور, علی. جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی. , 1394; 46(4): 355-362. doi: 10.22059/ijbse.2015.57341

جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی

مهندسی بیوسیستم ایران
مقاله 3، دوره 46، شماره 4، دی 1394، صفحه 355-362    اصل مقاله (1.32 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijbse.2015.57341
نویسندگان
نیما تیموری1؛ محمود امید* 2؛ کاوه ملازاده3؛ علی رجبی پور2
1دانشجوی دکتری گروه مهندسی ماشین‏های کشاورزی، دانشگاه تهران
2استاد گروه مهندسی ماشین‏های کشاورزی، دانشگاه تهران
3استادیار گروه مهندسی بیوسیستم، دانشگاه کردستان
چکیده
ارزیابی کیفی محصولات کشاورزی از فاکتور‏های بسیار مهم در ارتقای کیفیت آن‏ها است. در این تحقیق روشی مبتنی بر ترکیب پردازش تصویر و شبکۀ عصبی مصنوعی پیشنهاد شده است. جداسازی بادام‏های به‌هم چسبیده که با وضعیت‏های متفاوت به‌هم متصل شده‏اند، از جنبه‏های مهم در طراحی دستگاه‏های درجه‏بندی بادام هستند. بر این اساس، الگوریتمی مبتنی بر تکنیک پردازش تصویر برای استخراج نقاط بحرانی و رسم خطوط جداسازی به شکلی صحیح بین آن‏ها پیشنهاد شده است. نتایج نشان داد که این الگوریتم با دقت قابل قبولی بادام‏های به‌هم چسبیده را جداسازی کرد. در گام بعد به ترتیب 6، 36، و 36 ویژگی مرتبط با شکل، رنگ، و بافت از بادام استخراج و از روش PCA برای کاهش تعدادی از این ویژگی‏ها استفاده شد. سرانجام، به‌منظور طبقه‏بندی چهار کلاس بادام از روش شبکه‏های عصبی مصنوعی با ساختار 4-7-7-18 و میانگین دقت کل 92/96درصد استفاده شد.
کلیدواژه‌ها
جداسازی بادام؛ شبکه‏های عصبی مصنوعی؛ طبقه‏بندی کیفی؛ ویژگی‏های بافت؛ ویژگی‏های رنگ
عنوان مقاله [English]
Separation of touching almonds and their quality classification by combining image processing and artificial neural networks techniques
نویسندگان [English]
Nima Teimouri1؛ Mahmoud Omid2؛ Kaveh Mollazade3؛ Ali Rajabipour2
1Phd Student, Department of Agricultural Machinery Engineering, University of Tehran
2Professor, Department of Agricultural Machinery Engineering, University of Tehran
3Assistant Professor, Department of Biosystems Engineering, University of Kurdistan
چکیده [English]
The quality evaluation of agricultural products is one of the key factors in promoting their quality. In this study, a method based on combined image processing technique and artificial neural network was presented. Separation of touching almonds under different positions is a very important step in design of grading devices. In this study, an image processing algorithm based on extracting critical points in the image of almonds and drawing segmentation lines between them is presented. In the next step, the feature vector which includes 6 shape features, 36 color features and 36 texture features was composed. PCA method was used to reduce the dimension of the feature vector. The quality classification of almond in different classes was carried out by artificial neural networks (ANNs). Among different ANN structures, the 18-7-7-4 topology was the most optimum classifier (total accuracy was obtained 96.92%).
کلیدواژه‌ها [English]
Touching almond, Quality classification, ANNs, Color features, Texture features
مراجع

Abdullah, M. Z., Mohamad-Saleh, J. Fathinul-Syahir, A. S. & Mohd-Azemi, B. M. N. (2006). Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system. Journal of Food Engineering, 76(4), 506–523.

Asada, H. & Brady, M. (1986). The curvature primal sketch. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(1), 2-14.

Castelo-Quispe, S., Banda-Tapia, J. D. Lopez-Paredes, M. N. Barrios-Aranibar, D. & Patino-Escarcina, R. (2013). Optimization of Brazil-Nuts Classification Process through Automation using Colour Spaces in Computer Vision. International Journal of Computer Information Systems and Industrial Management Applications. 5, 623-630.

Donis-Gonzalez, R., Guyer, D. E. Leiva-Valenzuela, G. A. & Burns, J. (2013). Assessment of chestnut (Castanea spp.) slice quality using color images. Journal of Food Engineering, 115, 407-414.

Food and Agriculture Organization. FAO statistical databases, 2011. Available at: www.faostat.fao.org.

 Haralick, R. M., Shanmugam, K. & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 6, 610–621.

ISIRI, Specification and methods of test for unshelled almonds. Institute of Standards and Industrial Research of Iran. Document number 88. 1995. Available from: http://www.isiri.org/portal/files/std/88.htm.

Leemans, V. & Destain, M. F. (2004). A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering, 61, 83-89.

Mebatsion, H. K. & Paliwal, J. (2011). A Fourier analysis based algorithm to separate touching kernels in digital images. Biosystems Engineering, 108, 66–74.

Mery, D., Pedreschi, F. & Soto, A. (2013). Automated design of a computer vision system for visual food quality evaluation. Food and Bioprocess Technology, 6, 2093-2108.

Mollazade, K., Omid, M. & Arefi, A. (2012). Comparing data mining classifiers for grading raisins based on visual features. Computers and Electronics in Agriculture, 84, 124-131.

Omid, M., Mahmoudi, A. & Omid, M. H. (2009). An intelligent system for sorting pistachio nut varieties. Expert Systems With Applications, 36, 11528–11535.

Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9, 62-66.

Pearson, T. & Toyofuku, N. (1999). Automated sorting of pistachio nuts with closed shells. Transactions of the ASAE, 16(1), 91-94.

Pearson, T. (1996). Machine vision system for automated detection of stained pistachio nuts. Lebensmittel-Wissenschaft and Technolgie, 29, 203–209.

Qian, X. M., Zhu, H. Feng, C. L. Zhu, P. Li, H. Xin, W. & Cheng, G. (2004). An overlapping bubbles partition method in aerated water flows. In: Proceedings of the Third Conference on Machine Learning and Cybernetics, Vol. 6, Shanghai, China, August, pp. 3746–3750.

Riquelme, M. T.,  Barreiro, P. Ruiz-Altisent, M. & Valero, C. (2008). Olive classification according to external damage using image analysi. Journal of Food Engineering, 87, 371-379.

Shatadal, P., Jayas, D. S. & Bulley, N. R. (1995). Digital image analysis for software separation and classification of touching grains. Transactions of the ASAE, 38(2), 635–643.

Sohn, K., Alexander, W. E. Kim, J. H. & Snyder, W. E. (1994). A constrained regularization approach to robust corner detection. IEEE Transactions on Systems, Man, and Cybernetics, 24(5), 820–828.

Zhang, G., Jayas, D. & White, D. G. (2005). Separation of touching grain kernels in an Image by ellipse fitting algorithm. Biosystems Engineering, 92(2), 135–142.

آمار
تعداد مشاهده مقاله: 1,387
تعداد دریافت فایل اصل مقاله: 1,839


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب