عنوان پایان‌نامه
توسعه یک سامانه ماشین بینایی به منظور درجه بندی کیفی مغز پسته
- رشته تحصیلی
- مهندسی مکانیک بیوسیستم - فناوری پس از برداشت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6928;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75072;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6928;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75072
- تاریخ دفاع
- ۱۳ تیر ۱۳۹۵
- دانشجو
- حسین نوری احمدآبادی
- استاد راهنما
- محمود امید
- چکیده
- چکیده پسته و مغز پسته از محصولات مهم از نظر تغذیه¬ای و اقتصادی در ایران می¬باشد و سالانه ارزش اقتصادی بالایی برای کشور حاصل می¬نماید. هدف از این تحقیق درجه¬بندی کیفی مغز پسته می¬باشد برای این منظور آزمایشات زیر انجام شد: الف) مرتب‌سازی بر خط مغز پسته به‌منظور جداسازی مغز کال پسته، ب) مرتب‌سازی بر خط به‌منظور جداسازی مغز پسته از پوست پسته و پ) مرتب‌سازی برون‌خط مغز پسته پوست‌کنده (مغز سبز پسته) بر پایه‌ی استانداردهای موجود می¬باشد. مراحل انجام دو آزمایش (الف) و (ب) شامل پنج بخش اصلی؛ قطعه¬بندی، استخراج ویژگی، ایجاد مدل هوشمند طبقه¬بندی و درجه¬بندی برخط می¬باشد. آزمایش (پ) نیز مشابه دو آزمایش اول می¬باشد با این تفاوت که درجه¬بندی به صورت برخط صورت نمی¬گیرد. درجه¬بند هوشمند شامل دو بخش تصویربرداری و حذف نمونه¬ی نامطلوب با یک سیستم پنوماتیکی می‌باشد که شامل یک تسمه‌نقاله آبی‌رنگ، هفت عدد شیر پنوماتیکی، یک کمپرسور هوا، دو عدد لامپ مهتابی و یک مدار الکترونیکی می‌باشد. هسته اصلی مدار الکترونیکی یک میکروکنترلر است که وظیفه اصلی آن ارتباط بین رایانه و شیرهای پنوماتیکی می‌باشد. تصویر نمونه¬ها توسط یک دوربین گرفته شده و از طریق کارت تصویرگیر به رایانه جهت ذخیره و پردازش‌های بعدی منتقل می‌گردد. در دو آزمایش (الف) و (ب) پس از تصویربرداری از مؤلفه‌ی رنگی H از فضای رنگی HSV برای قطعه¬بندی استفاده شد. سپس 30 ویژگی رنگی از نمونه¬ها استخراج گردید. با استفاده از تحلیل حساسیت در هر دو آزمایش هشت ویژگی برتر انتخاب و سپس این هشت ویژگی به طبقه¬بند ماشین بردار پشتیبان داده شد و بهترین مدل برای استفاده در سیستم برخط ذخیره گردید. پس از درجه¬بندی برخط در آزمایش (الف) نرخ طبقه¬بندی صحیح برای مغز کال پسته 2/95 درصد و برای بقیه¬ی مغز پسته¬ها 93 درصد به دست آمد ظرفیت درجه¬بند در این حالت 7/59 کیلوگرم بر ساعت به دست آمد. در آزمایش (ب) نیز نرخ طبقه¬بندی صحیح برای مغز پسته 43/96 درصد و برای پوست پسته¬ 09/93 درصد حاصل شد. ظرفیت درجه¬بند در این حالت 75/22 کیلوگرم بر ساعت به دست آمد. در آزمایش (پ) از مؤلفه B از فضای رنگی LAB برای قطعه¬بندی استفاده گردید. سپس 76 ویژگی رنگ و شکل از نمونه¬ها استخراج گردید و با استفاده از تحلیل حساسیت 26 ویژگی برتر انتخاب شد. تحلیل مؤلفه‌های اصلی نیز با کاهش ابعاد این وی
- Abstract
- Abstract. Pistachio and pistachio kernel are of important crops in terms of economy and nutrition in Iran that annually obtain high economic value for the country. The objective of this study is qualitative grading of pistachio kernel. For this purpose the following tests were performed: a) Sorting online the pistachio kernel in order to separate the pistachio raw kernel, b) Sorting online in order to separate the pistachio kernel from the pistachio skin c) Sorting outline the peeled pistachio kernel (pistachio green kernel) based on existing standards. Stages associated with implementing in tests (a) and (b) include five main parts; image capturing, segmentation, designing intelligent classification model, and online grading. (c) test is similar to the first two tests with the difference that grading is not done online. Intelligent sorter includes two main parts: imaging and removing unwanted samples by a pneumatic system. Sorter contains a blue conveyor, seven pneumatic valves, an air compressor, two fluorescent lamps and an electronic circuit. The main core of electronic circuit is a microcontroller which of main task is to connect the computer and pneumatic valves. Samples images were taken by a camera and were transmitted to the computer. In tests (a) and (b), after taking images, H color component of HSV color space was used to segment images. Then 30 color features were extracted from the samples. Eight superior features were selected by using sensitivity analysis. In both tests, these superior eight features were given to the support vector machine classifier and the best model was saved to use in online system. After online grading in test (a), the correct classification rate was achieved 95.2% for the raw pistachio kernel and 93% for the other pistachio kernels. The sorter capacity was achieved 59.7 kg/h in (a) test. Also, in b test correct classification rate of 96.43% was achieved for pistachio kernels and 93.09% for the pistachio skin. Finally, the sorter capacity for this test was achieved 22.75 kg/h. In (c) test, B component from the LAB color space was used for segmentation. Then 76 shape and color features were extracted from the samples and 26 superior features were chosen using sensitivity analysis. Principal component analysis also reduced the artificial neural network imports and the supporter vector machine to seven. Finally, in this test, approximately similar results were achieved from both classifier. Keywords: Pistachio, Classification, Image processing, Support vector machine, Artificial neural network
