عنوان پایان‌نامه
تشخیص غیرمخرب کیفیت و آفت زدگی میوه سیب با استفاده از روش آکوستیک و پردازش تصویر ابرطیفی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشین های کشاورزی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79642;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79642
- تاریخ دفاع
- ۲۷ بهمن ۱۳۹۵
- دانشجو
- نادر اکرامی راد
- استاد راهنما
- رضا علیمردانی
- چکیده
- ایران در خصوص صادرات انواع میوه از جمله سیب با توجه به حجم تولیدات و مقبولیت جهانی، از پتانسیل بالایی برخوردار است و لذا برای حفظ جایگاه کنونی و افزایش صادرات باید توجه بیشتری به توسعه فناوری‌های پس از برداشت برای ارزیابی کیفی، سلامت و درجه‌بندی صورت گیرد. بدین ترتیب استفاده از یک فناوری پیشرفته، برای تعیین سریع‌تر، موثرتر و دقیق‌تر کیفیت و سلامت میوه، لازم و ضروری به نظر می‌رسد. در تحقیق حاضر، فناوری‌های آکوستیک و پردازش تصویر ابرطیفی با توجه به مزایای خاص آنها برای تشخیص کیفیت و آفت‌زدگی میوه انتخاب گردیدند. هدف از انجام این تحقیق، تشخیص غیرمخرب آفت‌زدگی میوه سیب و همچنین تعیین برخی شاخص‌های کیفی آن (سفتی، محتوای جامد محلول، شاخص رنگ) براساس تغییرات ایجاد شده در طول دوره انبارداری با استفاده از سامانه آکوستیک و پردازش تصویر ابرطیفی بود. بدین منظور چیدمان‌های مورد نظر طراحی و انتخاب گردیدند و پس از قرار دادن نمونه‌ها در معرض آفت مورد نظر برای ایجاد آفت‌زدگی در شرایط انبارداری، نمونه‌ها در فواصل زمانی هفت روزه از محفظه انبارداری خارج گردید و آزمون‌ها بر روی آنها انجام گرفت. پس از دریافت تصاویر ابرطیفی و همچنین انجام آزمون‌های آکوستیک، یک سری آزمایش‌های مخرب نیز به منظور اندازه‌گیری مقادیر شاخص‌های کیفی بر روی نمونه‌ها انجام گرفت. در روش پردازش تصویر ابرطیفی، تصاویر در محدوده طول موج 400 تا 1100 نانومتر از هر نمونه سالم و آسیب دیده و در سه راستای مختلف گرفته شد. سپس طیف بازتابی میانگین از نواحی مطلوب استخراج و پیش‌پردازش گردیده و در نهایت با استفاده از چندین روش یادگیری ماشین شامل تحلیـل تفکیک خطی، K-نزدیکترین همسایگی، درخت تصمیم و رأی‌گیری اکثریت وزن‌دار، کلاس‌بندی نمونه‌ها انجام گرفت. همچنین انتخاب طول موج‌های بهینه بر مبنای تحلیل داده‌های ابرطیفی، توسط روش‌های انتخاب متوالی و حداقل مربعات جزئی بازه‌ای انجام گرفت. نتایج نشان داد جداسازی میوه‌های آفت‌زده با نرخ کلاس‌بندی کل برابر100% و 82% بترتیب برای نمونه‌های آموزش و آزمون امکان پذیر بوده و بالاترین نرخ کلاس‌بندی برای روش درخت تصمیم و تنها با شش طول موج (434، 5/437، 3/538، 8/582، 586 و 5/914 نانومتر) به عنوان ورودی بدست آمد. همچنین مدل‌های مبتنی بر روش حداقل مربعات جزئی جهت پیش‌بینی مقادیر شاخص‌های کیفی سیب با استفاده از مجموعه ویژگی‌های استخراج شده از تصاویر ابرطیفی، بمنظور استفاده در کاربردهای زمان واقعی توسعه داده شد. بیشترین مقدار ضریب همبستگی در پیش‌بینی سفتی، محتوای جامد محلول و پارامترهای رنگ شامل L*، a* و b* به ترتیب به میزان 89/0، 34/0، 82/0، 90/0 و 96/0 برای حالت تمامی طول موج‌ها و 92/0، 41/0، 83/0، 87/0 و 94/0 برای حالت طول موج‌های منتخب بدست آمد. بطورکلی نتایج این پژوهش بیانگر کارآیی استفاده از تصاویر ابرطیفی و چندطیفی در تخمین شاخص‌های کیفی و همچنین جداسازی میوه‌های آفت‌زده به صورت زمان واقعی در ماشین‌های جداسازی/درجه‌بندی محصول سیب می‌باشد. در آزمون های آکوستیک پارامترهای حوزه زمان و بسامد شامل انرژی مطلق، دامنه، بسامد بیشینه، ... توسط حسگر تماسی با بسامد 100-30 کیلوهرتز از پاسخ آکوستیک میوه اندازه‌گیری و ثبت گردید. سپس به منظور استخراج الگو و در نهایت طبقه‌بندی میوه‌های سالم و آسیب دیده از روش‌های داده‌کاوی تحلیل تفکیک خطی و تقویت تطبیقی استفاده گردید. بنابراین در این تحقیق، برای اولین بار از روش آزمون گسیل امواج صوتی برای شناسایی و جدا کردن میوه آفت‌زده از روی سیگنال‌های صوتی ارسال شده توسط فعالیت حشره آفت استفاده گردید و نتایج بدست آمده بیانگر میزان دقت جداسازی 100% بود. لذا با توجه به نتایج روش آزمون انتشار امواج صوتی استفاده شده در این تحقیق می‌تواند یک راه امیدبخش برای شناسایی و جداسازی غیرمخرب و برخط میوه‌های آفت‌زده باشد.
- Abstract
- Iran has a great potential in export of variety of fruits including apple due to its high production rate and global acceptability. In order to maintain the current status and even promote it, there should be enough attention in post-harvest technologies for assessment of quality and safety. Thus, using developed technologies for rapid, effective and accurate prediction of quality and safety is essential. In this study, acoustic and hyperspectral technologies were selected due to their special advantages. The objective of this research was to detect Codling Moth infestation in apples and also to predict some major quality attributes of apples (firmness, SSC, and color parameters) non-destructively during storage. For this purpose, the set-ups were designed and developed and then the samples were prepared and tested periodically at 1-week interval. After acquiring hyperspectral images and carrying out the acoustic tests, some reference destructive tests were performed to measure the quality attributes of samples. In hyperspectral imaging method, images were acquired in visible (VIS)/near-infrared (NIR) (400-1100 nm) in the diffuse reflectance mode from normal and infested samples in three orientations. Then Mean Reflectance Spectra (MRS) were calculated for the images and several classification techniques were applied including Linear Discriminant Analysis (LDA), decision trees, and K-nearest neighbor (Knn), in addition to majority voting. Also, the most influential wavelengths were determined using IPLS and the Sequential Forwards Selection (SFS) approaches. The results showed that detection of infested fruits was possible with the classification rate of %100 and %82 for calibration and test data sets, respectively. The highest classification performance was obtained using decision trees at 6 selected wavelengths (434.0, 437.5, 538.3, 582.8, 586 and 914.5 nm) with overall classification rate of 82% for the test set, and 81 and 86% for healthy and CM-infested apples. Also, the highest amount of correlation coefficient of prediction (rp) by HSI regression using PLS model for firmness, TSS and color parameters (L*, a*, b*) were 0.89, 0.34, 0.82, 0.90 and 0.96 for using all wavelengths, and 0.92, 0.41, 0.83, 0.87 and 0.94 for using selected wavelengths, respectively. So, this study shows the potential of using VIS/NIR hyperspectral and multispectral imaging as a non-destructive method for detecting CM infestation and quality prediction in apples. In acoustic tests, time domain and frequency domain parameters including absolute energy, amplitude, maximum frequency, and etc, were measured and recorded using contact sensors in the frequency range of 30-100 kHz. Then in order to pattern extraction and classification of infested and normal apples, data mining methods of LDA and Adaptive Boosting were applied. Thus, in this study an acoustic emission technique was used for the first time to detect and grade infested fruits based on acoustic signals generated by insect pest activities and the classification rate of %100 was obtained. According to these results, the acoustic emission method used in this study could be a promising method for detecting and grading infested fruits non-destructively and in on-line systems. Keywords: Hyperspectral imaging, acoustic emission, apple grading
