درجه‌بندی مغز گردو بر اساس رنگ با استفاده از ترکیب ماشین بینایی و شبکه عصبی مصنوعی

در این پژوهش به‌منظور درجه‌‌بندی رنگی مغز گردو نژادگان بوانات طبق استاندارد بین‌‌المللی به چهار درجه خیلی ‌‌ روشن، روشن، روشن ‌‌ کهربایی و کهربایی، 159 مغز گردو انتخاب و از هر یک جداگانه تصویربرداری شد. در مرحله پردازش تصویر، با استفاده از فیلتر لاپلاسین ‌‌ گوسی زمینه جداسازی شد و 12 ویژگی رنگی شامل میانگین و انحراف معیار رنگ‌های قرمز، سبز و آبی و هم‌چنین میانگین و انحراف معیار اصل رنگ، درجه اشباع و شدت رنگ استخراج شد. به‌منظور رتبه‌‌بندی ویژگی‌‌ها از شاخص میانگین مربعات همبستگی کانونی استفاده شد که بر این اساس میانگین شدت رنگ بیشترین تاثیر را در مدل رتبه‌‌بندی داشت و پس از آن میانگین اشباع و واریانس شدت رنگ مهم‌ترین ویژگی‌‌ها در مدل رتبه‌‌بندی بودند. با توجه به مدل رتبه‌‌بندی ویژگی‌‌ها، شبکه‌‌های عصبی با ورودی‌‌های متفاوت از یک تا 12 ورودی طراحی شد. با استفاده از 9 ویژگی مهم‌‌تر به‌عنوان ورودی شبکه عصبی، بالاترین دقت درجه‌‌بندی برابر با 95.8% در ساختار بهینه 4209 به‌دست آمد که دقت درجه‌‌بندی برای مغز گردو با درجه خیلی روشن 100%، درجه روشن 92.31%، درجه روشن کهربایی 90.91% و درجه کهربایی 100% بود. نتیجه‌ این پژوهش نشان‌‌دهنده توانایی بالای ماشین بینایی در ترکیب با شبکه عصبی برای درجه‌‌بندی مغز گردو بر اساس رنگ می‌‌باشد.

Color Grading of Walnut Kernel Using Combination of Machine Vision and Artificial Neural Networks

This paper aims at color grading of walnut kernels using a machine vision system. In this study, 159 kernels were divided into four color class of chr('39')Extra Lightchr('39'), chr('39')Lightchr('39'), chr('39')Light Amberchr('39') and chr('39')Amberchr('39') based on international standard. In image processing step, the Laplacian of Gaussian filter was used to remove the background of the image. Twelve color features were extracted from images including mean and standard deviation of red, green and blue as well as hue, saturation and intensity. The level of contribution of color features were determined using Average Squared Canonical Correlation values. The intensity mean had the highest contribution followed by saturation mean and intensity variance. Various neural networks architectures were developed with different number of inputs from one to 12 features based on the ranking model. Using the nine most important features as input for ANN, the highest grading accuracy of 95.8% obtained in the optimum structure of 9204. The grading accuracy for walnut kernels in the classes of chr('39')Extra Lightchr('39'), chr('39')Lightchr('39'), chr('39')Light Amberchr('39') and chr('39')Amberchr('39') were 100%, 92.31%, 90.91% and 100%, respectively. The results show high potential of the machine vision combined with artificial neural network for color grading of walnut kernel.