تشخیص پرتقال روی درخت با کاربرد پردازش تصاویر دیجیتال بر اساس روش شبکه عصبی و تراکم سایه روشن

ماشین های کشاورزی

مقاله 10، دوره 5، شماره 1 - شماره پیاپی 9، 1394، صفحه 92-100   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v5i1.23852

نویسندگان

حمید رضا احمدی؛ جعفر امیری پریان^*

دانشگاه بوعلی سینا

چکیده

طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و کامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیق سعی شده است الگوریتم مناسبی به‌منظور تشخیص پرتقال روی سایبان درخت ارائه شود. به‌منظور ارزیابی الگوریتم ارائه شده تعداد 500 تصویر که در شرایط کاملاً متفاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازی، قطعه بندی، فیلتر اندازه، تفکیک میوه‌ها بر مبنای الگوی تراکم سایه و روشنایی و تعیین مختصات می‌باشد. در این تحقیق برای قطعه بندی از شبکه عصبی MLP (با سه لایه مخفی) استفاده شد که موفقیت به‌کارگیری آن با توجه به نرخ کشف صحیح پرتقال ها با دقت 2/88% مورد تایید قرار گرفت. با توجه به درصد بالای پرتقال‌های خوشه ای نسبت به کل پرتقال ها در تصاویر، هر الگوریتمی که بخواهد در زمینه شناسایی پرتقال بر روی درخت موفق عمل کند باید راه حلی برای تفکیک پرتقال ها از هم ارائه دهد که در پژوهش حاضر روشی جدید بر مبنای الگوی تراکم سایه روشن، به‌کار گرفته شد و کارایی آن مورد ارزیابی قرار گرفت. در نهایت دقت تفکیک 5/89 درصد و دقت شناسایی 2/88 درصد به‌دست آمد.

کلیدواژه‌ها

برداشت پرتقال؛ پردازش تصویر؛ تفکیک؛ ربات برداشت؛ ماشین بینایی؛ ماکزیمم نسبی

مراجع

1. Bulanon, D. M., T. F. Burks, and V. Alchanatis. 2009. Image fusion of visible and thermal images for fruit detection. Bio systems engineering 103: 12-22.

2. Juste, F., and F. Sevilla. 1991. Citrus: A European project to study the robotic harvesting of oranges. in Proceeding 3rd International Symposium Fruit, Nut and Vegetable Harvesting Mechanization, Denmark, Sweden, Norway.

3. Gonzalez, R., and R. Woods. 1992. Digital Image Processing. Addison-Wiley Publishing Company.

4. Hannan, M. W., T. F. Burks, and D. M. Bulanon. 2007. A real-time machine vision algorithm for robotic citrus harvesting. American Society of Agricultural and Biological Engineers, Paper Number: 073125.

5. Kurtulmus, F., W. S. Lee, and A. Vardar. 2011. Green citrus detection using ‘Eigenfruit’, color and circular Gabor texture features under natural outdoor conditions. Computers and Electronics in Agriculture 78: 140-149.

6. Lak, M. B., S. Minaei, J. Amiriparian, and B. Beheshti. 2010. Apple fruits recognition under natural luminance using machine vision. Advance Journal of Food Science and Technology 2 (6): 325-327.

7. Li, P., S. H. Lee, and H. Y. Hsua. 2011. Review on fruit harvesting method for potential use of automatic fruit harvesting systems. Procedia Engineering 23: 351-366

8. Mao, W., B. Jia, X. Zhang, and X. Hub. 2009. Detection and position method of apple tree image. Computer and Computing Technologies in Agriculture II 2: 1039-1048.

9. Okamoto, H., and W. S. Lee. 2009. Green citrus detection using hyperspectral imaging. Computers and Electronics in Agriculture 66: 201-208.

10. Patel, H. N., R. K. Jain, and M. V. Joshi. 2012. Automatic segmentation and yield measurement of fruit using shape analysis. International Journal of Computer Applications 45 (7): 19-24.

11. The mathworks. 2008. Image Processing Toolbox User’s Guide. Apple Hill Drive.