طبقه‌بندی میوه زالزالک بر مبنای رسیدگی با استفاده از ماشین بینایی

بازارپسندی محصولات تولیدی به طور گسترده‌ای به ظاهر آنها بستگی دارد. لذا هدف از مطالعه حاضر توسعه الگوریتم‌هایی برای استخراج، انتخاب، و طبقه‌بندی ویژگی‌های تصاویر نمونه‌های زالزالک به منظور طبقه‌بندی آن‌ها بر اساس سطح رسیدگی است. تعداد 600 نمونه میوه زالزالک تهیه شد. در مرحله بعد یک جعبه نورپردازی به ‌منظور تصویربرداری از نمونه‌های زالزالک با نورپردازی کنترل شده طراحی و ساخته شد. پس از تصویربرداری و ذخیره تصاویر بدست آمده، فرآیند پردازش تصویر در نرم افزار متلب اجرا شد. در این مرحله بعد از عملیات پیش پردازش، ویژگی‌های رنگ و بافت از تصاویر استخراج شد. از بین ویژگی های استخراج شده تعدادی ویژگی به عنوان ویژگی های کارا با استفاده از روش انتخاب ترتیبی با پایه درجه دوم در نرم افزار متلب انتخاب شدند. از روش های تحلیل تفکیک خطی و درجه دوم برای طبقه بندی ویژگی های کارا استفاده شد. پارامترهای دقت، صحت، حساسیت، و خاصیت برای مدل های طبقه بندی محاسبه شدند. میانگین دقت طبقه‌بندی نمونه‌های مختلف زالزالک با استفاده از روش‌های تحلیل تفکیک خطی و درجه دوم در مرحله آموزش به ترتیب برابر 98/67و % 99/33 و در مرحله آزمون با هم مشابه و برابر با % 98/67 بود. همچنین بر اساس نتایج مربوط به پارامترهای تعیین شده، مدل تحلیل تفکیک درجه دوم از مدل تحلیل تفکیک خطی عملکرد بهتری داشت.

Classification of hawthorn fruit based on ripeness level by machine vision

Marketability of the produced products largely depends on their appearance. Therefore, the aim of the present study was to develop the required algorithms to extract, select, and classify the images’ features of hawthorn samples in order to classify different fruit classes based on the ripeness stages. Six hundred of hawthorn fruit samples were prepared. Afterward, a lighting box was designed and constructed to capture images from hawthorn specimens under controlled lighting conditions. After imaging and saving the images of hawthorn samples, image processing operation in MATLAB Software was done. In this step after image preprocessing, color and texture features were extracted. Through all extracted features, some features were selected as efficient ones by sequential selection method with quadratic base in MATLAB Software. Linear and quadratic discriminant analysis methods were used to classify the efficient features. The obtained results indicated that the methods were able to classify the images of hawthorn samples with same accuracies (98.67 %). Furthermore, accuracy, precision, sensitivity, and specificity parameters were calculated for the classifier models. The results indicated that the accuracy of hawthorn samples by classifier models based on linear and quadratic discriminant analysis models were 98.67 and 99.33 %, respectively in the train step and they were same as 98.67 % in the test step. Also based on the results of the determined parameters, the quadratic discriminant analysis model hade better performance than the linear discriminant analysis model.