تشخيص خرابي‌هاي سطحي سيب براي درجه‌بندي كيفي آن
محورهای موضوعی : مهندسی برق و کامپیوتر
مهدی باژن
1
*
,
احسان‌اله کبیر
2
1 - دانشگاه تربیت مدرس
2 - دانشگاه تربیت مدرس
کلید واژه: درجه‌بندي سيبخرابيضرب‌خوردگيزنگآشكارسازي دمتحليل بافتبينايي ماشينی,
چکیده مقاله :
در اين مقاله دو نوع خرابي ضرب‌خوردگي و زنگ در سيب‌هاي گولدن دليشز (زرد لبناني) تشخيص داده مي‌شود. خرابي زنگ به دو بخش زنگ دمگاه و زنگ خارج از دمگاه تقسيم شده است. سيب‌ها به سه كلاس درجه يك، درجه دو و وازده بر اساس بعضي از معيارهاي استاندارد اروپايي درجه‌بندي مي‌شوند. براي درجه‌بندي سيب، به طبقه‌بندي تصوير به 6 كلاس سالم، دم، كاسبرگ، ضرب‌خوردگي، زنگ دمگاه و زنگ خارج از دمگاه نياز داريم. در الگوريتم ارائه‌شده، پس از طبقه‌بندی پيکسلی به کمک شبکه عصبی پرسپترون بر اساس ويژگي‌های رنگی RGB، اصلاح طبقه‌بندی و آشکارسازی دم انجام می‌شود. براي اصلاح نواحي طبقه‌بندي‌شده به كلاس ضرب‌خوردگي، از ويژگي‌هاي H و S از فضای رنگی HSI استفاده مي‌شود. اصلاح نواحي در كلاس‌هاي كاسبرگ، زنگ دمگاه و زنگ خارج از دمگاه بر اساس فاصله گرانيگاه دم تا گرانيگاه هر ناحيه انجام مي‌شود. شناسايي نوع خرابي و تقسيم خرابي زنگ به دو كلاس زنگ دمگاه و زنگ خارج از دمگاه كار جديدي است كه در اين مقاله ارائه شده است. نتايج آزمايش الگوريتم پيشنهادي نشان مي‌دهد كه نرخ درجه‌بندي درست 120 تصوير سيب، 66/81% است. خطاهاي درجه‌بندي ناشي از عدم آشكارسازي دم و اشتباه در تشخيص خرابي است.
In this paper, two kinds of defects in Golden Delicious apples are recognized: bruise and russet. Russet is divided to two classes: russet in stem-end and russet out of stem-end. Apples are graded into three classes I, II and rejected, according to European standard. To grade the apples, it is necessary to classify apple images into six classes: stem, calyx, bruise, russet in stem-end, russet out of stem-end and healthy. In this method, after pixel-based classification based on RGB color features by a perceptron neural network, correction in classification and stem detection is made. Hue and saturation features are used to correct the image regions classified to bruise. The correction of regions classified to calyx, russet in stem-end and russet out of stem-end is made based on the distance from the gravity center of the stem to the gravity center of each region. This paper presents a new method for defect classification and sub classification of russet to two classes, russet in stem-end and russet out of stem-end. Experimental results of the proposed algorithm show that the correct grading rate of 120 apple images is 81.66%. The grading errors result from misdetection of stem and errors in defect detection.
[1] V. Leemans and M. Destain, "A real-time grading method of apples based on features extracted from defects," J. of Food Engineering, vol. 61, no. 1, pp. 83-89, Jan. 2004.
[2] D. Unay and B. Gosselin, "A quality grading approach for Jonagold apples," in Proc. of the IEEE Benelux Signal Processing Symp., pp. 93-96, Hilvarenbeek, the Netherlands, 15-16 Apr. 2004.
[3] D. Unay and B. Gosselin, "A study on quality grading of Jonagold apples," in Proc. of the IEEE Int. Symp. on Signal Processing and Information Technology, pp. 271-273, 14-17 Dec. 2003.
[4] D. Unay and B. Gosselin, Artificial Neural Network-Based Segmentation and Apple Grading by Machine Vision, 2004, http://www.tcts.fpms.ac.be.
[5] V. Leemans, H. Magein, and M. F. Destain, "On-line fruit grading according to their external quality using machine vision," Biosystems Engineering, vol. 83, no. 4, pp. 397-404, Dec. 2002.
[6] J. Blasco, N. Aleixos, and E. Molto, "Machine vision system for automatic quality grading of fruit," Biosystems Engineering, vol. 85, no. 4, pp. 415-423, Aug. 2003.
[7] D. Unay and B. Gosselin, "Apple defect detection and Quality Classification with MLP-neural networks," in Proc. of the 13th Workshop on Circuits: Systems and Signal Processing, pp. 501-506,Veldhoven, Netherlands, 2002.
[8] O. Kleynen, V. Leemans, and M. F. Destain, "Development of a multi-spectral vision system for the detection of defects on apples," J. of Food Engineering, vol. 69, no. 1, pp. 41-49, Jul. 2005.
[9] P. M. Mehl, Y. R. Chen, M. S. Kim, and D. E. Chan, "Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations," J. of Food Engineering, vol. 61, no. 1,pp. 67-81, Jan. 2004.
[10] UNECE STANDARD FFV - 50 concerning the marketing and commercial quality control of Apples, http://www.unece.org/trade/agr/standard/fresh/fresh_e.htm.
[11 ] ح. ميرنظامي ضيابري و ح. جهانديده كوهي، غذا (اصول و رو شهاي نگهداري. مواد غذايي)، تندرستي و بيماري، نشر علوم كشاورزي، 1380
[12] G. Feng and C. Qixin, "Study on color image processing based intelligent fruit sorting system," in Proc. of the 5th World Congress on Intelligent Control and Automation, vol. 6, pp. 4802-4805, 15-19Jun. 2004.
[13 ] م. باژن، درجه بندي كيفي سيب بر اساس خرابي هاي سطحي، پايان نامه كارشناسي . ارشد، دانشگاه تربيت مدرس، 1385
[14] N. Otsu, "A threshold selection method from gray-level histograms,"IEEE Trans. on Systems: Man and Cybernetics, vol. 9, no. 1, pp. 62-66, Jan. 1979.
[15] V. Leemans, H. Magein, and M. F. Destain, "Defect segmentation on Golden delicious apples by using colour machine vision," Computers and Electronics in Agriculture, vol. 20, no. 2, pp. 117-130, Jul. 1998.