عنوان پایان‌نامه
طراحی ، پیاده سازی و ارزیابی یک برنامه کاربردی برای تلفن همراه هوشمند اندرویدی با هدف ارزیابی کیفیت گوشت گاو
- رشته تحصیلی
- مهندسی مکانیک بیوسیستم - فناوری پس از برداشت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7092;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76672;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7092;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76672
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- علی حکیمی ایلخچی
- استاد راهنما
- سلیمان حسین پور
- چکیده
- فن آوری تلفن های هوشمند فرصت جدیدی را برای کاربردهای بینایی ماشین در بخش کشاورزی و صنایع غذایی فراهم آورده است. اخیرا پژوهشگران برای طراحی برنامه های کاربردی نوین به توسعه الگوریتم های بینایی ماشین برپایه تلفن همراه روی آورده اند. در پژوهش حاضر یک برنامه کاربردی بر پایه تلفن همراه در راستای توسعه کاربرد بینایی ماشین برای پیش بینی تردی گوشت گاو با استفاده از ویژگی های تصویر گوشت تازه گاو، ارائه گردید.10 ویژگی آماری بافت مستقل از روشنایی، چرخش، مقیاس وانتقال از تصویر گوشت استخراج شدند. برای تعیین ارتباط بین ویژگی های تصویر استخراج شده با مقادیر نیروی برشی وارنر-براتزلر از شبکه عصبی استفاده گردید. ویژگی های آماری بافت 137 تصویر گوشت گاو برای آموزش و ارزیابی شبکه عصبی به کار گرفته شد. کیفیت گوشت گاو با استفاده دو مقدار تردی (نیروی برشی با واحد نیوتن) و درصد کیفیت بیان گردید. دقت و عملکرد برنامه کاربردی طراحی شده با استفاده از معیارهای آماری ضریب تبیین (R2)، میانگین مربعات خطا (MSE) و میانگین درصد خطا (MAPE) بررسی شد. مقادیر R2، MSE و MAPE به دست آمده برای برنامه کاربردی طراحی شده به ترتیب برابر با 9887/0، 3398/3 و 0374/0 بود.
- Abstract
- Smartphone technology creates new opportunities for machine vision applications in agricultural and food engineering. In recent years, researchers have started to look at developing computer vision algorithms on these devices to design novel applications. In this study an android smartphone application (app.) as a novel framework for the development of machine vision applications, was presented to predict cooked-beef tenderness from fresh beef image characteristics. Ten statistical texture features which are illumination and affine (rotation, translation, and scale) invariant were extracted from the beef image. Artificial neural network (ANN) technique was used to determine the correlation between textural features and Warner-Bratzler shear force (WBSF) values. Statistical texture features for 137 sample images were used to train and test the neural network. The beef quality was expressed with two values, quality (%) and tenderness (N). The accuracy of the designed application to predict the beef quality was assessed using three statistical criteria, i.e. coef?cient of determination (R2), mean-squared error (MSE), and mean absolut percentage error (MAPE). The app. was able to successfully estimate the beef quality with R2=0.9887, MSE=3.3398, and MAPE=3.74%.
