عنوان پایان‌نامه
طراحی ، ساخت و ارزیابی یک سامانه ماشین بینایی به منظور درجه بندی و جداسازی لوبیا از نظر رنگ و اندازه
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5674;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60470
- تاریخ دفاع
- ۰۸ دی ۱۳۹۲
- دانشجو
- عقیل صالحی
- استاد راهنما
- محمود امید
- چکیده
- جدا سازی کیفی محصول لوبیا در اهمیت بالایی قرار دارد بطوریکه علت عمده عدم پذیرش محصولات داخلی در بازارهای خارج از کشور، پایین بودن کیفیت محصولات از لحاظ ناهمگنی انها می باشد. طراحی یک سیستم الکترونیکی هوشمند خودکار جهت ارزیابی کیفی و جدا سازی ناخالصی های محصول لوبیا اولین گام ضروری در جهت ساخت دستگاه درجه بندی لوبیا می¬باشد. در این تحقیق یک سیستم جداسازی زمان واقعی لوبیای چیتی از لوبیاهای قرمز، سفید، سرما زده و سنگ¬ریزه با تلفیق تکنیک پردازش تصویر و شبکه های عصبی مصنوعی(ANN) طراحی و پیاده سازی شد. این سیستم هوشمند شامل دو بخش تصویر برداری و حذف لوبیای معیوب به کمک یک سیستم نیوماتیکی می باشد که شامل یک تسمه نقاله سبز رنگ، هشت عدد شیر نیوماتیکی، یک کمپرسور هوا، دو عدد لامپ مهتابی و یک مدار الکترونیکی می باشد. هسته اصلی مدار الکترونیکی یک میکروکنترلر است که وظیفه اصلی آن ارتباط بین رایانه و شیرهای نیوماتیکی می باشد. تصویر لوبیاها توسط یک دوربین که بالای تسمه نقاله نصب شده گرفته شده و از طریق کارت تصویر گیر به رایانه جهت ذخیره و پردازش های بعدی منتقل می گردد. شش پارامتر آماری شامل میانگین، واریانس، انحراف معیار، کشیدگی، چولگی و گشتاورها از تصاویر لوبیاها استخراج شدند. در مجموع شش پارامتر جهت جداسازی لوبیای چیتی از سایر لوبیاها انتخاب گردید. چندین مدل مختلف درجه بندی مبتنی بر ANN هر کدام با تعداد نرون های مختلف در لایه مخفی برای تعیین ساختار بهینه آموزش داده شدند. مدل ANN بهینه برای طبقه بندی دارای ساختار 2-8-12-6 می باشد. دقت سیستم جداسازی برای لوبیای چیتی از سایر لوبیاها به ترتیب 87/97 و 24/92 درصد به دست آمد. همچنین آزمایش هایی برای طبقه بندی سه رقم لوبیا به همراه لوبیای سرمازده و سنگ به صورت آفلاین نیز صورت صورت گرفت. در مجموع شش پارامتر از خصوصیات آماری لوبیا ها انتخاب گردید. مدل ANN بهینه برای طبقه بندی بهینه دارای ساختار 5-8-12-6 می باشد. میزان طبقه بندی صحیح برای لوبیای چیتی، سفید، قرمز، سرما زده و سنگ به ترتیب برابر 27/86، 100، 100، 9/54 و 3/65 درصد، و مقادیر MSE متناظر به ترتیب 05/0، 0059/0، 013/0، 099/0 و 096/0 حاصل شد. برای پنج نوع لوبیا و سنگ میانگین وزنی دقت کلی مدل 2/81 حاصل شد.نتایج ازمایش برای مشکل¬ترین حالتی که ممکن است برای دستگاه اتفاق بیفتد و در آن لوبیاها یک در میان خوب و بد باشند نشان داد که دستگاه وقتی بهترین عملکرد را دارد که در آن فاصله دو لوبیای متوالی حداقل شش میلی متر باشد. دستگاه از نظر اندازه نیز مورد ازیابی قرار گرفت. سه ویژگی مساحت، قطر بزرگ و قطر کوچک ورودی های شبکه بودن. در اخر دستگاه توانست با دقت 4/96 درصد لوبیا ها را از نظر اندازه درجه بندی کند.
- Abstract
- Low quality of beans due to size, shape and heterogeneity are the main reason for non-acceptance of local products in overseas markets. Design of an intelligent electronic system to evaluate the quality of beans automatically and rejecting impurities is a first step towards developing a bean grading system. In this study, a real-time sorter for separating high quality beans from red beans, white frost and rock was designed and tested. The system combines image processing and artificial neural networks (ANN). This intelligent system comprises of two parts: image capture and removal of defective beans with the help of a pneumatic system. The system includes a green belt conveyor, eight pneumatic valves, a compressor, two lamps and a camera. Electronic circuit is a microcontroller which controls the connection between the computer and the pneumatic valves. Beans picture taken by the camera mounted above the conveyor belt and transfer the captured images to a computer for storage and subsequent processing.Statistical parameters such as mean, variance, standard deviation, elongation and Momentof beans were extracted from the images as feature vector. In total, six parameters were chosen for separating beans from other beans. Several models based on ANN, each with a different number of neurons in the hidden layer, were trained and validated to determine the optimal structure. The optimal ANN model structure had a 6-12-8-2 topology. The overall accuracy of the optimal network for beans and other beans were %97.87 and %92.24, respectively. Off-line models for classifying all six categories were also performed. Six parameters were selected from the statistical analysis of the beans as feature vector. The optimal ANN model had a 6-12-8-5 topology. The correct classification rate for beans, white, red, frost and rock were 86.27, 100, 100, 54.9, and 65.3 (in percentages), respectively. The corresponding MSE values were 0.05, 0.0059, 0.013, 0.099 and 0.096, respectively. For five types of beans and stones weighted average overall accuracy of model was 81.2 percent. The resultsfor themost difficult arrangement that may occur (good and bad beans alternate) showedthat the best performance is achieved when a minimum distance of 6mm is kept between the twosuccessive beans.The size of the device was also evaluation. Three features of the area, large diameter and small diameter of the network inputs. Carefully managed in the last 96.4 of the size of the bean to the ranking.
