طراحی و توسعه سامانه بینایی ماشین به منظور تعیین خودکار عیوب ظاهری سیب

سیستم بینایی ماشین، از جمله سیستم‌های جدید در زمینه تشخیص کیفیت محصولات کشاورزی است. سیب از جمله میوه‌هایی است که کیفیت ظاهری آن عاملی تعیین‌کننده در بازارپسندی این محصول بشمار می‌رود. تشخیص خودکار سیب‌های معیوب از طریق سیستم بینایی ماشین به علت توزیع ناهموار نور بر روی سطح آن‌ها و شباهت بین نقص‌های واقعی با تغییرات رنگ پوسته امری دشوار می‌باشد. بدین منظور در این پژوهش یک روش جدید برای تشخیص معیوب ظاهری سیب با استفاده از سیستم بینایی ماشین با ترکیب تصحیح خودکار نور، تعداد عیب‌ها، ارائه گردید. به منظور طبقه‌بندی نمونه‌ها، ابتدا هیستوگرام تصایور اخذ شده از آن‌ها بر اساس روش ترکیب خطی فضای rgb تصحیح و سپس تعداد 3 ویژگی رنگی و 11 ویژگی بافتی از آن‌ها استخراج گردید. بر اساس نتایج انتخاب ویژگی، بهترین ویژگی‌ها به منظور بالاترین دقت در طبقه‌بندی به ترتیب آنتروپی، انرژی، همبستگی و صافی محلی بودند. نهایتا به منظور طبقه‌بندی داده‌ها از دو طبقه‌بند ماشین ارتباط برداری (rvm) و ماشین‌ بردار پشتیبانی (svm) استفاده گردید. بر اساس نتایج بدست آمده دقت طبقه‌بند rvm در گروه سالم 95%، در گروه ناسالم 82% و در مجموع 88.5 % بدست آمده است، اما دقت طبقه‌بند svm در گروه سالم 100%، در گروه ناسالم 94.23 % و در مجموع 97.11 % بود. بنابراین برای تشخیص نمونه سالم از نمونه ناسالم طبقه‌بند svm با توجه به عملکرد مناسب‌تر نسبت به rvm با توجه به دقت بیشتر و خطای کمتر مناسب‌تر می‌‌باشد.

Design and development of a machine vision system to determine the apparent apple imperfections

The machine vision system is one of the newest systems for identifying the quality of agricultural products. Apple is one of the fruits whose apparent quality used by customer to select this product at the market. Automatic detection of faulty apples through the machine’s visual system is difficult due to the nonuniform of distribution of on the surface and the similarity between actual defects with the color changes of the fruit peel. For this purpose, in this study, a new method for detecting apparent defects of apple using a machine vision system with a combination of autocorrection of light was presented. In order to classify the samples, the histogram of the taken images was corrected based on the RGB method, then threecolor and 11 textural features were extracted. Based on the results of the feature selection, the best features for the highest accuracy in the classification were respectively entropy, energy, correlation and local smooth. Finally, for categorization of data, two classifiers namely relevance vector machine (RVM) and support vector machine (SVM) were used. Based on the classification results, the accuracy of the RVM classification was 95% in the sound group, 82% in the unsound group and 88.5% in for total accuracy; but the accuracy of the SVM classification was 100% in the sound group, 94.23% in the unsound group and 97.11% for total accuracy. Therefore, in order to detect sound samples from unsound ones the SVM classification is more suitable than the RVM, due to the greater accuracy and less error.