عنوان پایان‌نامه
توسعه یک سامانه قابل حمل هوشمند مبتنی بر فناوری ماشین بینایی جهت درجه بندی کیفی مغز بادام
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5989;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64301
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۳
- دانشجو
- نیما تیموری
- استاد راهنما
- محمود امید
- چکیده
- بادام یکی از محصولات مهم از لحاظ تغذیه¬ای و اقتصادی در ایران می¬باشد که سالانه ارزش اقتصادی بالایی برای کشور حاصل می¬نماید. از نظر تولید جهانی بر اساس آمار فائو، کشور ایران در رتبه سوم تولید جهانی این محصول قرار دارد. بر این اساس، هدف از این تحقیق؛ ارائه روشی نوین و غیرمخرب مبتنی بر فناوری بینایی¬ماشین، تکنیک پردازش تصویر و روش شبکه¬های عصبی مصنوعی، به منظور درجه¬بندی کیفی محصول بادام به پنج کلاس مختلف: بادام سالم، شکسته، دوقلو، چروکیده و پوست بادام می¬باشد. مراحل مربوط به پیاده¬سازی روش پیشنهادی از سه بخش اصلی شامل؛ قطعه¬بندی تصویر، جداسازی بادام¬های به هم چسبیده و طبقه¬بندی کیفی محصول تشکیل شده است. به منظور قطعه¬بندی تصاویر از روشی تلفیقی مبتنی بر تکنیکهای پردازش تصویر و شبکه¬های عصبی مصنوعی استفاده گردید. مقادیر سه شاخص آماری حساسیت، اختصاصی¬بودن و دقت برای قطعه¬بندی تصاویر به ترتیب برابر 66/96، 25/99 و 81/98 درصد بوده است که نشان¬دهنده مناسب¬ بودن این روش در جداسازی بادام از زمینه می¬باشد. درگام بعدی، الگوریتم پیشنهادی با موفقیت توانست بادام¬هایی که در تصاویر باینری به یکدیگر چسبیده بودند را از یکدیگر جداسازی نماید. بر این اساس مقادیر شاخص دقت جداسازی، توسط روش پیشنهادی برای کلاس¬هایی شامل دو، سه، چهار و بیش از چهار بادام به هم چسبیده به ترتیب برابر 29/96، 05/92، 00/90 و 30/91 درصد بدست آمد. سرانجام ویژگی¬های مبتنی بر شکل، رنگ و بافت از نمونه¬های بادام استخراج گردید و پس از انتخاب ویژگی¬های برتر توسط روش آنالیز حساسیت و کاهش ابعاد آن¬ها توسط تکنیک آنالیز مولفه¬های اصلی؛ ساختار¬های مختلفی از شبکه¬های عصبی مصنوعی طراحی و مورد ارزیابی قرار گرفتند. در میان آنها ساختار 5-7-7-18 مناسب¬ترین ساختار بوده و توسط آن، محصول بادام¬ به پنج کلاس شامل بادام های سالم، شکسته، دوقلو، چروکیده و پوست بادام طبقه¬بندی گردید. میانگین مقادیر حساسیت، اختصاصی¬بودن و دقت برای این پنج طبقه¬ نیز به ترتیب برابر 73/97، 33/99 و 14/99 درصد بوده است.
- Abstract
- .Almond is one of the main products in terms of nutritional value and economics in Iran. It can bring high economic value for producing countries. According to the FAO statistics, Iran is ranked third as the producer of this product in world. The aim of this research was to develop a new and non-destructive method based on combined machine vision technology, image processing and artificial neural networks (ANNs) for quality grading of almond product into five different classes including normal, broken and split, double, wrinkled almonds and almonds shell. The principal steps to implement the proposed method were image segmentation, separation of touching almonds and quality classification of this product. In order to segment the images, a hybrid method based on image processing and ANNs is proposed and implemented. The mean values of sensitivity, specificity and accuracy indices for segmenting images were 96.66%, 99.25%, and 98.81%, respectively, that indicates this method is very successful to segment almonds from background. Then, the proposed algorithm was extended to separate touching almonds in the binary images. The mean values of PS (precision of separation) for two, three, four, and more than four touching almonds were 96.29%, 92.05%, 90.00%, and 91.30%, respectively. In the next step, various features related to shape, color and texture of almonds were extracted. The best features were selected using sensitivity analysis. To reduce dimension of selected features, principal component analysis was used. Finally, various ANN topologies were designed and evaluated. The optimum topology had a 18-7-7-5 structure. By using this structure the almonds classified into the five classes normal, broken and split, double, wrinkled almonds and almonds shell successfully. The mean value of sensitivity, specificity and accuracy indices for five almond’s classes were 97.73%, 99.33%, and 99.14%, respectively.
