تشخیص آسیب‌های سطحی ناشی از صدمات مکانیکی میوه انبه رقم کلک سرخ با استفاده از تکنیک پردازش تصاویر رنگی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 35، دوره 12، شماره 5 - شماره پیاپی 41، آذر و دی 1395، صفحه 652-662   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v12i5.51714

نویسندگان

محمودرضا گلزاریان^{* 1}؛ منصوره شمیلی²؛ امید دوستی ایرانی¹؛ پیمان آذر کیش¹

¹دانشگاه فردوسی مشهد

²دانشگاه هرمزگان

چکیده

سیستم بینایی ماشین یکی از ابزارهای قدرتمند به‌منظور خودکار کردن روش‌های درجه‌بندی محصولات کشاورزی است. در این تحقیق با استفاده از پردازش تصاویر رنگی تهیه‌شده از میوه انبه به تشخیص خرابی‌های ظاهری ناشی از صدمات مکانیکی پرداخته‌شده است. برای این منظور از میان ۸۰ عدد انبه با بازرسی چشمی تعداد ۶۰ نمونه انبه که بر روی آن‌ها لکه‌های سیاه‌رنگ ناشی از آسیب‌های مکانیکی در حین برداشت و جابجایی به وجود آمده بود، تشخیص داده شدند و از هر میوه در شرایط نوردهی یکسان تصویربرداری شد. با استخراج ویژگی‌های رنگی در سه مدل رنگی RGB، HSI و L*a*b* و مقایسه آماری داده‌ها مشخص شد که ویژگی‌های رنگی G و 0.16G/0.5R در محیط رنگی RGB به‌ترتیب با دقت ۹۰% و ۶/۹۱% و ویژگی‌های رنگی a* و 0.16L*-a* از فضای رنگی L*a*b* به‌ترتیب با دقت ۳۳/۹۳% و ۱۰۰% قادر به تشخیص بافت آسیب‌دیده می‌باشند. درصد مساحت استخراج‌شده از هر نمونه به‌عنوان معیاری برای درجه‌بندی میوه انبه مورداستفاده قرار گرفت. با استفاده از روش خوشه‌بندی K میانگین نمونه‌ها به دو دسته تقسیم‌بندی شدند و نقطه برش بین این دو دسته با استفاده از منحنی راک برابر با ۱۱/۳ بدست آمد. مساحت منحنی راک برابر با ۱ بدست آمد که نشان‌دهنده قدرت تفکیک بالای خوشه‌بندی است.

کلیدواژه‌ها

پردازش تصویر؛ آسیب‎های سطحی؛ صدمات مکانیکی؛ تصاویر رنگی؛ انبه

مراجع

Agricultural statistics for the years 2010-2012 (Persian Calendar: 1379-1380). Department of Budget and Planning, Statistics and Information Office, Ministry of Agriculture Jihad. Tehran (in Persian).

Barchi, G.L., Berardinelli, A., Guarnieri, A., Ragni, L. & Totaro Fila, C., 2002, Damage to loquasts by vibration-simulating intra-state transport. Biosyst Eng, 82, 305-312.

Bazhan, M., & Kabir, E. (2007). Detection of Surface Defects on Apples for Quality Grading. Iranian Journal of Electrical and Computer Engineering, 6, 25-34. (in Persian).

Bose, T.K. & Mitra. S.K., 1990. Fruits: Tropical and subtropical. Naya Prokash Pub., Calcutta, India.

FAO, 2012, FAO Statistics database, accessed on 22nd december (2014), from http://faostat.fao.org/site/567/default.aspx#ancor.Accessed August 2012.

Golzarian, M. R. , Sadeghi F., Ghanei-Ghooshkhaneh N. , Kazemi F. , 2016, A qualitative and quantitative approach to assessing the performance of contrast enhancing colour indices used in automatic computer vision plant identification system. The 8th National Congress on Agricultural Machinery (Biosystems) Engineering and Mechanization, Mashhad, Iran. (in Persian).

Haff, R.P., Saranwong, S., Thanapase, W., Janhiran, A., Kasemsumran, S. & Kawano. S., 2013. Automatic image analysis and spot classification for detection of fruit fly infestation in hyperspectral images of mangoes. Postharvest Biol Tec, 86, 23-28.

Heidari,M ., Dastjerdi,A ., & Moradi,N . (2011). Effects of Potassium Permangenate and Storage Time on Quality of Mango Fruits (Mangifera indica L.). Journal of Horticulture Science, 25(2): 130-136. (in Persian).

Kang, S.P., East, A.R. & Trujillo, F.J., 2008. Colour vision system evaluation of bicolour fruit A case study with ‘B74’ mango. Postharvest Biol Tec, 49, 77-85.

Leon, K., Mery, D., Pedreschi F. & Leon, J., 2006. Color measurement in L∗a∗b∗ units from RGB digital images. Food Res Int, 39, 1084-1091.

Mata, C., Duarte, M.E.M., Borges, F.F. & Barbacena, I.L., 2012, An adaptive threshold level for segmentation of grayscale images using image processing to sort mangoes by weight estimation. Postharvest Technology in the Global Market.

Omid, M., Khojastehnazhand, M. & Tabatabaeefar, A., 2010, Estimating volume and mass of citrus fruits by image processing technique. J Food Eng, 100, 315–321.

Payne, A.B., Walsh, K.B., Subedi, P.P. & Jarvis, D., 2013, Estimation of mango crop yield using image analysis – Segmentation method. Comput Electron Agric, 91, 57-64.

Pordarbani, R., Gasemzadeh, H., Golzadeh, A., & Behfar, a. H. (2009). Feasibility Study of Apple Quality Grading Using Image Processing. Journal of Food Research, 19, 75-85. (in Persian).

Prasanna, V., Prabha, T.N. & Tharanthan, R.N., 2007. Fruit ripening phenomena—an overview, Crc Cr Rev Food Sci. 47, 1–19.

Shamili, M., Fatahi, R. & Hormaza, J.I., 2012, Characterization and evaluation of genetic diversity of Iranian mango (Mangifera indica L, Anacardiaceae) genotypes using microsatellites. Sci. Horticult, 148, 230-234.

Srajaldin, A., Moalem, P., & Pourghasem, H. (2012). Apple Classification using statistical characteristics and tissue using SVM classifier. First National Conference on New Ideas in Electrical Engineering. Islamic Azad University Isfahan (Khorasgan) Branch, Esfahan, Iran (in Persian).

USDA. 2006. Mangos. Shipping Point and Market. Inspection Instructions, accessed on 2/12/2014 from http://www.ams.usda.gov/AMSv1.0/

Victor, S., 1993. The situation of mango culture in the word. Acta Hort, 341, 31-41.

Wilson, L.G., Boyette, M.D. & Estes, E.A., 1999, Postharvest Handling and Cooling of Fresh Fruits, Vegetables, and Flowers for Small Farms. NCCES. 804.

Xing, J. & Baerdemaker, J.D., 2005, Fresh bruise detection on selected cultivars apples using visible and NIR spectroscopy. Postharvest Biol Tec, 45, 176–183