طبقه‌بندی توت‌فرنگی رقم پاروس با ترکیب تکنیک پردازش تصویر و روش‌های هوشمند

نشریه پژوهشهای علوم و صنایع غذایی ایران

مقاله 1، دوره 16، شماره 6 - شماره پیاپی 66، بهمن و اسفند 1399، صفحه 87-99  

نوع مقاله: مقاله پژوهشی لاتین

شناسه دیجیتال (DOI): 10.22067/ifstrj.v17i3.84187

نویسندگان

فرهاد فاتحی¹؛ هادی صمیمی اخیجهانی ²

¹گروه مکانیک بیوسیستم، دانشگاه تبریز.

²گروه مهندسی بیوسیستم، دانشگاه کردستان.

چکیده

امروزه در کشاورزی مدرن ترکیبی از تکنیک‌­های پردازش تصویر و روش‌­های هوشمند برای جایگزینی ماشین‌­های هوشمند به‌جای انسان استفاده می‌­شود. در این مطالعه از روش پردازش تصویر مصنوعی و شبکه عصبی مصنوعی (ANN) برای طبقه‌­بندی میوه توت­‌فرنگی رقم پاروس استفاده شده است. در گام اول این میوه توسط یک متخصص به شش کلاس طبقه‌بندی شد (به‌عنوان خروجی ANN) و از هر کلاس 100 نمونه به‌طور تصادفی جمع‌­آوری گردید. در گام بعد تصاویر نمونه­‌ها ضبط شده و سه خصوصیت هندسی با 12 ویژگی رنگ (به‌عنوان ورودی‌های ANN) استخراج گردید. ساختار شبکه عصبی بهینه با توجه به خطای میانگین مربعات (RMSE) و ضریب هبستگی (2R) برای فرآیند طبقه‌بندی نمونه­‌های توت‌فرنگی درنظر گرفته شد. درنهایت شبکه عصبی پرسپترون با ساختار 15-18-6 با دقت 83/83٪ انتخاب گردید.

کلیدواژه‌ها

طبقه‌بندی توت‌فرنگی؛ رقم پاروس؛ پردازش تصویر؛ شبکه عصبی مصنوعی

مراجع

Abdullah, M. Z., Mohamad-Saleh, J. Fathinul-Syahir, A. S., & Mohd-Azemi, B. M. N. (2006). Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system. Journal of Food Engineering, 76(4), 506–523.

Castelo-Quispe, S., Banda-Tapia, J. D. Lopez-Paredes, M. N. Barrios-Aranibar, D., & Patino-Escarcina, R. (2013). Optimization of Brazil-Nuts Classification Process through Automation using Colour Spaces in Computer Vision. International Journal of Computer Information Systems and Industrial Management Applications. 5, 623-630.

Chen, Y. R., Chao, K., & Kim, M. S. (2002). Machine Vision Technology for Agricultural Applications. Computers and Electronics in Agriculture, 36 (2), 173-191.

Chia, K.S., Abdul Rahim, H., Abdul Rahim, R. 2012. Prediction of soluble solids content of pineapple via non-invasive low cost visible and shortwave near infrared spectroscopy and artificial neural network. Biosystems Engineering, 113, 158–165.

Darrow, G. M., M. S. Wilcox, W. D. Scott, and M. C. Hutchins. 1947. Breeding Strawberries for Vitamin C. Journal of Heredity, 38: 363-365.

Doving, A. andF. Mago. 2002. Methods of testing strawberry fruit firmness. Journal of Acta Agriculture Scandinavica, 52: 43-51.

FAO. 2017. FAOSTAT Agricultural Statistics Database. Retrieved from http://www.fao.org.

Feng, G., Qixin, C., & Masateru, N. (2008). Fruit detachment and classification method for strawberry harvesting robot. International Journal of Advanced Robotic Systems, 5(1), 4.

Leemans, V., & Destain, M. F. (2004). A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering, 61, 83-89.

Liming, X., &Yanchao, Z. (2010). Automated strawberry grading system based on image processing. Computers and Electronics in Agriculture. 71, 32-39.

Mitcham, B. 1996. Quality assurance for Strawberries: A Case Study. Perishables Handling Newsletter Issue No. 85. Pages 6-9.

Mollazade, K., Omid, M., & Arefi, A. (2012). Comparing data mining classifiers for grading raisins based on visual features. Computers and Electronics in Agriculture, 84, 124-131.

Nagata, M., Bato, P. M., Mitarai, M., Qixin, C., & Kitahara, T. (2000). Study on sorting system for strawberry using machine vision (Part 1). Journal of the Japanese Society of Agricultural Machinery, 62(1), 100-110.

Nemzer, B., L. Vargas, X. Xia, and H. Feng. 2018. Phytochemical and physical properties of blueberries, tart cherries, strawberries, and cranberries as affected by different drying methods. Food Chemistry, 262: 242-250.

Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9, 62-66.

Riquelme, M. T., Barreiro, P. Ruiz-Altisent, M., & Valero, C. (2008). Olive classification according to external damage using image analysi. Journal of Food Engineering, 87, 371-379.

Salami, P., Ahmadi, H., Keyhani, A., & Sarsaifee, M. (2010). Strawberry post-harvest energy losses in Iran. Researcher, 2, 67-73.

Samimi Akhijahani, H. and J. Khodaei. 2011. Some physical properties of strawberry (Kurdistan varity). World Applied Sciences Journal, 13 (2): 256-212.

Schmidhuber, J. 2015. Deep learning in neural networks: An overview. Neural networks, 61, 85-117.

Singh S.P., Bansal, S., Ahuja, M., Parnami, S. 2015. Classification of apples using neural networks. International Journal of Science, Technology and Management, 4 (1); 1599-1605.

Taghavi, T. (2005). Strawberry production guide: sana publications, Tehran, Iran. (persian)

Torkashvand, A.M., Ahmadi, A., Layegh Nikravesh, N. 2017. Prediction of kiwifruit frmness using fruit mineral nutrient concentration by artificial neural network (ANN) and multiple linear regressions (MLR). Journal of Integrative Agriculture, 16(7): 1634–1644

Voca, S., Dobricevic, N., Dragovic-Uzelac, V., DuralijaDruzic, j., Cmelik, Z., & Babjelic, M.S. (2008). Fruit quality of new early ripening strawberry cultivars in Crotia. Journal of Food Technology and Biotechnology. 46, 292-298.