درجه‌بندی کیفی انگور پوشش‌دهی‌شده با امولسیون صمغ فارسی و روغن شاهدانه بر اساس صدمات سطحی با استفاده از تصاویر RGB و دودویی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 4، دوره 18، شماره 1 - شماره پیاپی 73، فروردین و اردیبهشت 1401، صفحه 51-64   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v18i1.88305

نویسندگان

محسن زندی^{* 1}؛ علی گنجلو²؛ ماندانا بی مکر²؛ ابوالفضل قره‌باغی²

¹گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران.

²گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان ، ایران.

چکیده

در پژوهش حاضر روش پردازش تصویر‌ جدیدی بر مبنای دو الگوریتم دودویی و RGB با هدف محاسبه میزان صدمات سطحی به‌طور خودکار و انجام درجه‌بندی کیفی ایجاد گردید. ابتدا انگورها با استفاده از فرمولاسیونی از سطوح مختلف صمغ فارسی (صفر، 5/1 و 3 درصد) و روغن شاهدانه (صفر، 075/0 و 15/0 درصد) و 3/0 درصد گلیسرول پوشش‌دهی گردید و در ادامه با اندازه‌گیری میزان صدمات سطحی انگور در روزهای 1 و 28 به‌صورت دستی (با کمک نرم‌افزار Image j)، ضمن بررسی اثر پوشش در قالب طرح فاکتوریل (طرح پایه کاملاً تصادفی)، عملکرد الگوریتم‌های پیشنهادی نیز ارزیابی گردید. در الگوریتم دودویی پس از پیش‌پردازش تصاویر، تصاویر به تصاویر دودویی تبدیل شدند. در الگوریتم RGB، فرآیند با کمک مقایسه آماری بین مولفه‌های رنگی صورت پذیرفت. پس از حذف دم انگور و محاسبه مناطق معیوب با کمک گشتاور تصویر (مرتبه صفر و اول)، در نهایت بر اساس درصد مناطق معیوب به 4 درجه کیفی عالی (کمتر از 5 درصد)، درجه 1 (بین 5 تا 20 درصد)، درجه 2 (بین 20 تا 35 درصد) و درجه 3 (بیشتر از 35 درصد) درجه‌بندی شد. مشخص شد که از کانال‌های R، G و B با مقدار سطح آستانه 35/0، 45/0 و 3/0 می‌توان برای فرآیند تشخیص صدمات سطحی استفاده نمود. نتایج نشان داد که هر دو الگوریتم دودویی و RGB توانستند فرآیند محاسبه میزان صدمات سطحی را با صحت بالایی (به‌ترتیب 33/97 و 08/98 درصد) انجام دهند و براساس نتایج ماتریکس درهم‌ریختگی فرآیند درجه‌بندی نیز با صحت بالاتر از 30/96 درصد انجام گرفت. همچنین مشخص شد که پوشش‌دهی با صمغ فارسی و روغن شاهدانه خصوصاً در سطوح پایین سبب کاهش بروز صدمات سطحی طی دوره نگهداری ‌می‌گردد. 

کلیدواژه‌ها

پردازش تصویر؛ صدمات سطحی؛ انگور؛ پوشش‌دهی؛ درجه‌بندی

مراجع

1. Antoniou, J., Liu, F., Majeed, H., & Zhong, F. (2015). Characterization of tara gum edible films incorporated with bulk chitosan and chitosan nanoparticles: A comparative study. Food Hydrocolloids, 44, 309-319. https://doi.org/10.1016/j.foodhyd.2014.09.023
2. Bhargava, A., & Bansal, A. (2020). Automatic Detection and Grading of Multiple Fruits by Machine Learning. Food Analytical Methods, 13(3), 751-761. https://doi.org/10.1007/s12161-019-01690-6
3. Cazon, P., Velazquez, G., Ramírez, J. A., & Vazquez, M. (2017). Polysaccharide-based films and coatings for food packaging: A review. Food Hydrocolloids, 68 136-148. https://doi.org/10.1016/j.foodhyd.2016.09.009
4. Chithra, P., & Henila, M. (2017). Defect identification in the fruit apple using k-means color image segmentation algorithm. International Journal of Advanced Research in Computer Science, 8(8).
5. Ciccarese, A., Stellacci, A. M., Gentilesco, G., & Rubino, P. (2013). Effectiveness of pre-and post-veraison calcium applications to control decay and maintain table grape fruit quality during storage. Postharvest Biology and Technology, 75, 135-141. https://doi.org/10.1016/j.postharvbio.2012.08.010
6. Cozmuta, A. M., Turila, A., Apjok, R., Ciocian, A., Cozmuta, L. M., Peter, A., Nicula, C., Galić, N., & Benković, T. (2015). Preparation and characterization of improved gelatin films incorporating hemp and sage oils. Food Hydrocolloids, 49, 144-155. https://doi.org/10.1016/j.foodhyd.2015.03.022
7. Dehghani, P., Hosseini, S. M. H., Golmakani, M.-T., Majdinasab, M., & Esteghlal, S. (2018). Shelf-life extension of refrigerated rainbow trout fillets using total Farsi gum-based coatings containing clove and thyme essential oils emulsions. Food Hydrocolloids, 77, 677-688. https://doi.org/10.1016/j.foodhyd.2017.11.009
8. Dorj, U.-O., Lee, M., & Yun, S.-s. (2017). An yield estimation in citrus orchards via fruit detection and counting using image processing. Computers and electronics in agriculture, 140, 103-112. https://doi.org/10.1016/j.compag.2017.05.019
9. Fakhouri, F. M., Martelli, S. M., Caon, T., Velasco, J. I., & Mei, L. H. I. (2015). Edible films and coatings based on starch/gelatin: Film properties and effect of coatings on quality of refrigerated Red Crimson grapes. Postharvest Biology and Technology, 109, 57-64. https://doi.org/10.1016/j.postharvbio.2015.05.015
10. Galus, S., & Kadzińska, J. (2015). Food applications of emulsion-based edible films and coatings. Trends in Food Science & Technology, 45(2), 273-283. https://doi.org/10.1016/j.tifs.2015.07.011
11. Ganjloo, A., Zandi, M., Bimakr, M., & Monajem, S. (2020). Ripening Stages Control of Cherry Tomato Coated with Aloe Vera Gel using Artificial Vision System (In persian). Food Science and Technology, 17(105), 135-149. DOI: 52547/fsct.17.105.135
12. Golzarian, M., Shamili, M., Doosti Irani, O., & Azarkish, P. (2017). Detection of surface defects caused by mechanical damages on Mangos of Kelk-e Sorkh variety with the use of color image processing. Iranian Food Science and Technology Research Journal (IFSTRJ), 12(5), 652-662.
13. Hadian, M., Hosseini, S. M. H., Farahnaky, A., Mesbahi, G. R., Yousefi, G. H., & Saboury, A. A. (2016). Isothermal titration calorimetric and spectroscopic studies of β-lactoglobulin-water-soluble fraction of Persian gum interaction in aqueous solution. Food Hydrocolloids, 55, 108-118. https://doi.org/10.1016/j.foodhyd.2015.11.006
14. Hashim, N., Adebayo, S. E., Abdan, K., & Hanafi, M. (2018). Comparative study of transform-based image texture analysis for the evaluation of banana quality using an optical backscattering system. Postharvest Biology and Technology, 135, 38-50. https://doi.org/10.1016/j.postharvbio.2017.08.021
15. Hassan, N. M. H., & Nashat, A. A. (2019). New effective techniques for automatic detection and classification of external olive fruits defects based on image processing techniques. Multidimensional Systems and Signal Processing, 30(2), 571-589. https://doi.org/10.1007/s11045-018-0573-5
16. Joukar, F., Hosseini, S. M. H., Moosavi-Nasab, M., Mesbahi, G. R., & Behzadnia, A. (2017). Effect of Farsi gum-based antimicrobial adhesive coatings on the refrigeration shelf life of rainbow trout fillets. LWT, 80, 1-9. https://doi.org/10.1016/j.lwt.2017.01.074
17. Khalesi, H., Emadzadeh, B., Kadkhodaee, R., & Fang, Y. (2016). Whey protein isolate-Persian gum interaction at neutral pH. Food Hydrocolloids, 59, 45-49. https://doi.org/10.1016/j.foodhyd.2015.10.017
18. Khan, M. A., Lali, M. I. U., Sharif, M., Javed, K., Aurangzeb, K., Haider, S. I., Altamrah, A. S., & Akram, T. (2019). An optimized method for segmentation and classification of apple diseases based on strong correlation and genetic algorithm based feature selection. IEEE Access, 7, 46261-46277. DOI: 1109/ACCESS.2019.2908040
19. Khorram, F., Ramezanian, A., & Hosseini, S. M. H. (2017). Shellac, gelatin and Persian gum as alternative coating for orange fruit. Scientia Horticulturae, 225, 22-28. https://doi.org/10.1016/j.scienta.2017.06.045
20. Leizer, C., Ribnicky, D., Poulev, A., Dushenkov, S., & Raskin, I. (2000). The composition of hemp seed oil and its potential as an important source of nutrition. Journal of Nutraceuticals, functional & medical foods, 2(4), 35-53. https://doi.org/10.1300/J133v02n04_04
21. Moallem, P., Serajoddin, A., & Pourghassem, H. (2017). Computer vision-based apple grading for golden delicious apples based on surface features. Information processing in agriculture, 4(1), 33-40. https://doi.org/10.1016/j.inpa.2016.10.003
22. Pordarbani, R., Gasemzadeh, H. R., Golzadeh, A. A., & Behfar, H. (2009). Feasibility Study of Apple Quality Grading Using Image Processing. Journal of Food Research, 19(1), 75-85.
23. Rachmawati, E., Supriana, I., & Khodra, M. L. (2017, September). Toward a new approach in fruit recognition using hybrid RGBD features and fruit hierarchy property. In 2017 4th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI) (pp. 1-6). IEEE.
24. Sahu, D., & Potdar, R. M. (2017). Defect identification and maturity detection of mango fruits using image analysis. American Journal of Artificial Intelligence, 1(1), 5-14.
25. Sahu, U. K., & Patra, D. (2015, December). Shape features for image-based servo-control using image moments. In 2015 Annual IEEE India Conference (INDICON) (pp. 1-6). IEEE.
26. Salarnia, M., Ganjloo, A., Emam-Djomeh, Z., & Bimakr, M. (2018). Physical, Barrier and Antimicrobial Properties of Sodium Caseinate-based Edible Film Containing Hemp Seed oil (in persian). journal of Innovative Food Technologies (JIFT), 5(3), 485-497. DOI: 22104/jift.2018.2607.1617
27. Salehi, F. (2019). Characterization of new biodegradable edible films and coatings based on seeds gum: A review. Journal of Packaging Technology and Research, 1-9. https://doi.org/10.1016/j.tifs.2019.11.011
28. Salehi, F. (2020). Effect of coatings made by new hydrocolloids on the oil uptake during deep‐fat frying: A review. Journal of Food Processing and Preservation, e14879. https://doi.org/10.1111/jfpp.14879
29. Shahbazi, Y., & Shavisi, N. (2020). Application of active Kurdi gum and Farsi gum-based coatings in banana fruits. Journal of Food Science and Technology, 1-11. https://doi.org/10.1007/s13197-020-04462-x
30. Tao, Y., & Zhou, J. (2017). Automatic apple recognition based on the fusion of color and 3D feature for robotic fruit picking. Computers and electronics in agriculture, 142, 388-396. https://doi.org/10.1016/j.compag.2017.09.019
31. Topalovic,, & Mikulic-Petkovsek, M. (2010). Changes in sugars, organic acids and phenolics of grape berries of cultivar Cardinal during ripening. J Food Agric Environ, 8(3&4), 223-227.
32. Vargas, M., & González-Martínez, C. (2010). Recent patents on food applications of chitosan. Recent patents on food, nutrition & agriculture, 2(2), 121-128.
33. Wu, D., & Sun, D.-W. (2013). Colour measurements by computer vision for food quality control–A review. Trends in Food Science & Technology, 29(1), 5-20. https://doi.org/10.1016/j.tifs.2012.08.004