عنوان پایان‌نامه
امکان سنجی تعیین چربی شیر با استفاده از ماشین بینایی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 4841;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57900
- تاریخ دفاع
- ۱۴ اسفند ۱۳۹۰
- دانشجو
- لنا بهشتی مقدم
- استاد راهنما
- سیدسعید محتسبی
- چکیده
- شیر یکی از حیاتی‌ترین محصولات غذایی در جهان می‌باشد که از اهمیت فراوانی در سلامتی انسان برخوردار است. مهم‌ترین عامل طبقه بندی شیر، چربی آن می‌باشد. این امر ضرورت ایجاد فرآیندی جهت تعیین چربی شیر با سرعت و دقت بالا و کاملا مکانیزه در صنایع را ضروری می‌سازد. همچنین این فرآیند می‌بایست توانایی استفاده در خطوط تولید را داشته باشد. در تحقیق حاضر سعی بر آن شده تا چربی در شیر از طریق پردازش تصویر به کمک فناوری ماشین بینایی مطالعه گردد. برای این منظور دستگاهی جهت تهیه تصاویر از نمونه‌های شیر طراحی و ساخته شد. این دستگاه شامل محفظه تصویر برداری، سامانه نورپردازی و دوربین عکاسی دیجیتال می‌باشد. از نمونه‌های شیر تهیه شده در شرایط نورپردازی مختلف عکس‌برداری گردید. این امر به جهت بررسی تصویر سطح شیر در شرایط مختلف نورپردازی می‌باشد. منابع نوری در نظر گرفته شده شامل نورپردازی با لامپ‌های فلورسنت، LED و هالوژن و ترکیبی از این شرایط نورپردازی می‌باشد. تصاویر گرفته شده در محیط نرم‌افزار متلب پردازش گردیده و اطلاعات تصاویر در محیط‌های مختلف رنگی از جمله فضاهای رنگی RGB، HSV و L*a*b* بدست آمد. با بررسی این داده‌ها روند قابل پیش‌بینی در آن‌ها مشاهده نگردید. برای آنکه بتوان روند چربی در شیر را پیش بینی نمود، در این تحقیق سعی گردید تا با استفاده از روش‌های مختلف بهینه سازی پارامترهایی که رفتار قابل پیش بینی از چربی در شیر دارند تعیین گردد. بر این اساس تابع هدفی که ترکیبی از پارامترهای رنگی شیر و ضرایبی ثابت است تشکیل گردید. به کمک روش بهینه سازی گروه ذرات (PSO) سعی گردید تا روندی نزولی و یا صعودی از این ترکیب در چربی‌های مختلف از شیر بدست آید. پس از اعمال روش بهینه سازی، پارامترهای بدست آمده از این روش به عنوان ورودی‌های شبکه عصبی مورد استفاده قرار می‌گیرند. شبکه عصبی مورد بررسی، شبکه پرسپترون چند لایه می‌باشد. برای آنکه بتوان شبکه عصبی مناسبی طراحی کرد، تعداد لایه‌های پنهان 1و 2 لایه در نظر گرفته شد و مورد بررسی قرار گرفت. همچنین تعداد نورون‌ها در هر لایه مورد بررسی قرار گرفت. نتایج بدست آمده برای میزان چربی در شیر در نورپردازی LED در بهترین پاسخ 94.5%، در نورپردازی فلورسنت در بهترین پاسخ 100% و در نورپردازی ترکیبی در بهترین پاسخ 94.3% چربی واقعی را پیش‌بینی نمود. علاوه بر این آزمایش‌هایی بر روی نمونه‌های تجاری شیر نیز مورد بررسی قرار گرفت که از نتایج حاصله دقت سامانه را مورد تایید قرار داد. کلمات کلیدی: چربی شیر، ماشین بینایی، پردازش تصویر، شبکه عصبی مصنوعی، روش بهینه سازی گروه ذرات
- Abstract
- Milk is one of the essential food products in the world and is of great importance in human health. Fat is the main characteristics in classification of milk. This is necessary to establish a process to determine milk fat with high speed and accuracy and requires a fully mechanized industry. This process should also be able to use in production lines. In the present study has been tried to study fat in milk through the machine vision image processing technology. For this purpose a device was designed and built to produce images of the milk samples. The imaging device includes enclosure, lighting systems and digital cameras. Milk samples were taken from different lighting conditions. This study on milk levels of lighting in different conditions. Lightning sources considered include LED, halogen lighting, fluorescent and a combination of these sources. Captured images were processed in MATLAB software and information in different color models and spaces including RGB, HSI and L*a*b*, respectively. By compiling data of images, any predictable process weren’t observed. In order to predict fat in milk, optimization method has used to determine the proper parameter. The objective function was formed as a combination of fixed parameters and coefficients of milk color. Particle swarm optimization method (PSO) was trying to downtrend or uptrend the fat content in the milk. After applying the optimization method, the parameters obtained from this method were used as neural network inputs. Multilayer Perceptron was used as a artificial neural network. The neural network with an appropriate number of hidden layers 1 and 2 layers considered and evaluated. The numbers of neurons in each layer were examined. The LED lighting in milk fat in the best response results in 94.5%. The combination lighting and fluorescent lighting in the best response result in 94.3% and 100% respectively in the best possible prediction of the actual fat. Further experiments on commercial samples of milk were also examined and the accuracy of the results system was approved.
