توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران.

2 عضو هیئت علمی گروه مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ایلام

چکیده

قابلیت تشخیص رنگ، بافت، و شکل در فناوری پردازش تصویر منجر به توسعه سامانه های ماشین بینایی در حوزه های مختلف کشاورزی، صنایع تبدیلی، و صنعت شده است. وجود دانه های با ظاهر نامناسب و ناخالصی ها در نخود و تاثیر مستقیم کیفیت ظاهری محصول بر بازپسندی آن، ضرورت درجه بندی این محصول را نشان می دهد. هدف از تحقیق حاضر تشخیص نخود با ظاهر نامناسب و ناخالصی از نخود با ظاهر مناسب با توسعه یک سامانه ماشین بینایی می باشد. تعداد 270 تصویر شامل تصویر 54 نمونه نخود با ظاهر مناسب و 36 نمونه از هر کدام از انواع نخود با ظاهر نامناسب (چروکیده، سبز رنگ، قهوه ای رنگ، و لپه) و مواد خارجی (سنگ و ساقه) تهیه گردید. پس از تهیه تصاویر نمونه ها، با استفاده از یک الگوریتم پردازش تصویر، مراحل پیش پردازش و استخراج ویژگی به صورت خودکار انجام شده و ویژگی های مختلف رنگ، بافت و شکل استخراج گردید. الگوریتمی برای انتخاب ویژگی های کارا از بین ویژگی های استخراجی توسعه یافت. ویژگی های کارا توسط روش شبکه عصبی مصنوعی با دقت کلی 9/91 درصد طبقه بندی شدند. دقت تشخیص نمونه های نخود مطلوب، چروکیده، لپه، نارس، قهوه ای، و ناخالصی های ساقه و سنگ، به ترتیب برابر 1/98، 3/83، 0/100، 7/91، 2/97، 8/77، و 2/97 درصد بود. با استفاده از سامانه توسعه یافته می توان محصول نخود را با دقت بالا و هزینه پایین درجه بندی نموده تا پس از جداسازی ناخالصی ها، نخود مرغوب و نامرغوب را از هم جدا و برای مصارف مختلف روانه بازار نمود.

چکیده تصویری

توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی

تازه های تحقیق

  • از قابلیت تشخیص رنگ، بافت، و شکل فناوری پردازش تصویر برای تمایز نخود مطلوب از نخود نامطلوب و ناخالصی ها بهره گرفته شده است.
  • پس از تصویربرداری و پیش پردازش، تعداد 285 ویژگی از کانال های مختلف تصاویر انواع نخود (مطلوب، سبز، قهوه­ای، لپه،­ و چروکیده) و ناخالصی ها (سنگ و ساقه) استخراج شد.
  • ویژگی های کارا توسط مدل طبقه بند مبتنی بر روش شبکه عصبی مصنوعی با ساختار 7-16-14 و دقت 9/91 درصد طبقه بندی شدند.
  • با استفاده از سامانه توسعه یافته می توان محصول نخود را با دقت بالا و هزینه پایین درجه بندی نموده تا پس از جداسازی ناخالصی ها، نخود مرغوب از نامرغوب جدا شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development and evaluation of chickpea classification system based on visible image processing technology and artificial neural network

نویسنده [English]

  • Somayeh Salam 1
1 Mechanical Engineering of Biosystems Department, Faculty of Agriculture , Ilam University, Ilam, Iran.
2
چکیده [English]

The ability to recognize color, texture, and shape in image processing technology has led to the development of machine vision systems in various fields of agriculture, conversion industries, and industry. The existence of impurities and seeds with an unsuitable appearance in chickpeas and the direct effect of the appearance quality of the product on its marketability, shows the need for grading this product. The aim of the present study was to distinguish impurities and chickpeas with an inappropriate appearance from chickpeas with a suitable appearance by developing a machine vision system. Totally 270 images including 54 samples of chickpeas with suitable appearance and 36 samples of each type of chickpeas with inappropriate appearance (wrinkled, green, brown, and split) and foreign materials (stone and stem) were prepared. After preparing the sample images, the pre-processing and feature extraction steps were performed automatically and different color, texture and shape properties were extracted by developing and using an image processing algorithm. An algorithm was developed to select efficient features from the extracted features. Efficient features were classified by the artificial neural network method with total accuracy of 91.9%. The detection accuracy for desirable, wrinkled, cotyledon, immature, and brown chickpea and stem and stone impurities was equal to 98.1, 83.3, 100.0, 91.7, 97.2, 77.8, and 97.2% respectively. Using the developed system, the chickpea product can be graded with high accuracy and low cost, so that after separating the impurities, the desirable and undesirable chickpeas can be separated and sent to the market for different uses.

کلیدواژه‌ها [English]

  • Chickpea
  • Color
  • Texture
  • Sorting
  • Image processing
[1] Kouris-Blazos, A., Belski, R. (2016). Health benefits of legumes and pulses with a focus on Australian sweet lupins. Asia Pacific Journal of Clinical Nutrition, 25(1), 1-17.
[2] Duke, J. A. (1981). Handbook of legumes of world economic importance. New York: Plenum Press.
[3] Wallace, T. C., Murray, R., Zelman, K. M. (2016). The Nutritional Value and Health Benefits of Chickpeas and Hummus. Nutrients, 8, 1-10.
[4] Hulse, J. H. (1991). Nature composition and utilization of gran legumes. In: Uses of Tropical Legumes: Proceeding of a consultants meeting, 27-30 March 1989, ICRISAT Centre. ICRISAT, Patancheru, A.P.502324, India. pp. 11-27.
[5] Malhotra, R. S., & Saxena, M. C. (2002). Strategies for Overcoming Drought Stress in Chickpea. Caravan, ICARDA, 17p.
[6] Kochaki, A., & Banayaneaval, M. (2009). Pulse Crops. Mashhad, I. R. Iran. Mashhad Academic Jahad Publishers. [In Persian].
[7] Ananimous. (2016). Agricultural Statistics. http://www.agriis.ir.
[8] Kheiralipour, K., Ahmadi, H., Rajabipour, A., Rafiee, S. (2018). Thermal Imaging, Principles, Methods and Applications (1st ed). Ilam, I. R. Iran. Ilam University Publication. [In Persian].
[9] Kheiralipour, K. 2012. Implementation and construction of a system for detecting fungal infection of pistachio kernel based on thermal imaging (TI) and image processing technology. Ph.D. Dissertation, University of Tehran, Karaj, Iran. [In Persian].
 [10] Chen, B., Tojo, S., & Watanabe, K. (2003). Machine vision for a micro weeding robot in a paddy field. Biosystems Engineering, 85(4), 393-404.
[11] Tong, J. H., J. B., Li, and H. Y. Jiang. 2013. Machine visiontechniques for the evaluation of seedling quality based on leaf area. Biosystems engineering, 115(3): 369-379.
[12] Kheiralipour, K., & Marzbani, F. (2016). Pomegranate quality sorting by image processing and artificial neural network. 10th Iranian National Congress on Agricultural Machinery Engineering (Biosystems) and Mechanizasion. 30-31 August, Mashhad, Iran. [In Persian].
[13] Mohammadi, V., Kheiralipour, K., & Ghasemi-Varnamkhasti, M. (2015). Detecting maturity of persimmon fruit based on imageprocessing technique. Scientia Horticulturae, 184, 123-128.
[14] Khazaee, Y.,   Kheiralipour., K. Hoseinpour., A. & Javadikia, H. (2019). Development of an algorithm based on image processing technique and sport vector machine to distinct potato from clod and stone. Journal of Research in Mechanics of Agricultural Machinery, 8(1): 1-11. [In Persian].
[15] Iraji, M. S. (2018). Comparison between soft computing methods for tomato quality grading using machine vision. Journal of Food Measurement and Characterization, 13, 1-15.
[16] Kheiralipour, K., & Pormah, A. (2017). Introducing new shape features for classification of cucumber fruit based on image processing technique and artificial neural networks. Journal of Food Process Engineering, 40(6), e12558.
[17] Concha-Meyer, A., Eifert, J., Wang, H., & Sanglay. G. (2018). Volume estimation of strawberries, mushrooms, and tomatoes with a machine vision system. International Journal of Food Properties, 21(1), 1867-1874.
[18] Mahdiani, M., and H. Sadrnia. 2010. Grade raisins using image processing: identification cap stem and color. 6th Iranian National Congress on Agricultural Machinery and Mechanization, 15-16 September, Karaj, Iran. [In Persian].
[19] Venora, G., Grillo, O., Shahin, M. A., Symons, S. J. (2007). Identification of Sicilian landraces and Canadian cultivars of lentil using an image analysis system. Food Research International, 40, 161-166.
[20] LeMasurier, L. S., Panozzo, J. F., & Walker, C. K. (2014). A digital image analysis method for assessment of lentil size traits. Journal of Food Engineering, 128, 72-78.
[21] Chen, J., Lian, Y., & Li, Y. (2020). Real-time grain impurity sensing for rice combine harvesters using image processing and decision-tree algorithm. Computers and Electronics in Agriculture, 175, 105591.
[22] Shen, Y., Yin, Y., Li, B., Zhao, C., & Li, G. (2021). Detection of impurities in wheat using terahertz spectral imaging and convolutional neural networks. Computers and Electronics in Agriculture, 181, 105931.
[23] Jahanbakhshi, A. & Kheiralipour, K. (2019). Carrot sorting based on shape using image processing, artificial neural network, and support vector machine. Journal of Agricultural Machinery, 9 (2), 295-307. [In Persian].
[24] Azadnia, R. & Kheiralipour, K. (2021). Recognition of leaves of different medicinal plant species using a robust image processing algorithm and artificial neural networks classifier. Journal of Applied Research on Medicinal and Aromatic Plants, 100327.
[25] Pourdarbani, R., Sabzi, S., García-Amicis V.M., García-Mateos, G., Molina-Martínez, J.M., & Ruiz-Canales, A. (2019). Automatic classification of chickpea varieties using computer vision techniques. Agronomy, 9, 672.
[26] Pourdarbani, R., Sabzi, S., Kalantari, D., Hernández-Hernández, J. L., & Ignacio Arribas, J. (2020). A Computer vision system based on majority-voting ensemble neural network for the automatic classification of three chickpea varieties. Foods, 9, 113.
[27] Gonzalez, R. C., & Woods, R. E. (2002). Digital Image Processing (2nd ed). Prentice Hall Inc.
[28] Mansourfar, K. (1995). Statistical methods (3rd ed). Tehran, I. R. Iran. University of Tehran Publication. [In Persian].
[29] Ehdaee, B. (1994). General Experimental Statistics (4th ed). Ahvaz, I. R. Iran. Shahid Chamran University publication. [In Persian].
[30] Menhaj, M. B. (2002). Principles of Artificial Neural Networks. (2nd ed). Tehran, I. R. Iran. Industrial University of Amirkabir (Tehran Polytechnic) Publication. [In Persian].
[31] Liu, Z-W.,  Liang, F-N., & Liu, Y-Z. )2018(. Artificial neural network modeling of biosorption process using agricultural wastes in a rotating packed bed. Applied Thermal Engineering. 140, 95-101.