استفاده از بینایی کامپیوتر در تشخیص غیر مخرب تقلبات شیره انگور

انگور یکی از محصولات مهم باغی در دنیا محسوب می‌شود که با توجه به ضایعات بالای این میوه از آن محصولات جانبی مانند شیره تولید می‌گردد. مهمترین فاکتور کیفی برای شیره انگور، مربوط به خالص بودن آن است، که تولیدکنندگان و مصرف کنندگان توجه ویژه‌ای به آن دارند. شیره انگور یکی از محصولات غذایی است که به طور عمده در بازار ایران به دلیل سود اقتصادی مورد تقلب قرار می‌گیرد. توسعه تکنیک‌های مبتنی بر ابزار ساده، ارزان قیمت، مناسب و سریع در صنایع غذایی جهت تشخیص تقلبات از قبیل تقلبات شیره انگور ضروری می‌باشد. در پژوهش حاضر ترکیب پردازش تصویر و روش نزدیک‌ترین همسایگی (knn) برای ارزیابی سریع و غیر مخرب تشخیص تقلب در شیره انگور بکار رفته است. پس از تهیه تصاویر شیره انگور خالص و تقلبات آن، تصاویر وارد مراحل پیش پردازش و انتقال به فضاهای رنگی rgb، hsi و l*a*b* شدند و در نهایت ویژگی‌های آماری مرتبط با بافت تصاویر از هر یک از کانال های مذکور استخراج گردیدند. به منظور افزایش سرعت و دقت طبقه‌بندی از روش آنالیز مولفه‌های اصلی pca برای کاهش ابعاد ماتریس ویژگی استفاده گردید. همچنین طبقه‌بندی تصاویر به کمک طبقه‌بند knn به صورت چهار کلاس انجام شد. سپس شاخص‌های آماری نظیر دقت، صحت، حساسیت، اختصاصی بودن و سطح زیر منحنی به منظور ارزیابی طبقه‌بند محاسبه شدند که مقادیر این شاخص‌ها برای طبقه‌بندی بر اساس داده‌های آزمون به ترتیب برابر با 25/ 96، 67/ 91، 19/ 91، 79/ 97 و 49/ 94 درصد است؛ نتایج حاصل از این طبقه‌بندی نشان داد که این سیستم به ‌عنوان یک روش هوشمند، سریع، غیرمخرب و دقیق، قابلیت تشخیص تقلب در شیره انگور خالص را دارد.

Application of computer vision on nondestructive detection of grape syrup adulteration

Grape is one of the most important garden products in the world because of its high waste some byproducts like syrup are made from. The most important quality factor for grape syrup depends on its purity, which producers and consumers pay particular attention to. The grape syrup is one of the food products which are adulterated due to economic profit in the Iranian market. The development of simple, low cost, accurate and fast techniques to adulteration detection is essential in the food industry. In this study, the combination of image processing and nearest neighbor method (KNN) has been used for rapid and non destructive adulteration detection of grape syrup. In this study, image processing combined with knearest neighbors are employed to fast and nondestructive adulteration detection of grape syrup. After image acquisition, the images are preprocessed and transformed into the RGB, HSI, and L*a*b* color spaces and finally textural statistical features are extracted from each image channels. In order to reduce the feature matrix dimension and increase the speed and accuracy of classification the principal component analysis (PCA) is applied. KNN is used for classifying image into four classes. Then statistical indexes such as accuracy, precision, sensitivity, specificity, and area under the curve are calculated to evaluate the model that the values of these indexes are obtained 96.25, 91.67, 91.19, 97.79, and 94.49 %, respectively, for test data. Therefore, the results show that this system has the ability to detect adulteration in pure grape syrup as a smart, fast, nondestructive and accurate method.