طبقه بندی توت فرنگی بر اساس میزان رسیدگی و اندازه به کمک ماشین بینایی

در این پژوهش برای درجه بندی میوه توت‌فرنگی از لحاظ اندازه و میزان رسیدگی از بینایی ماشین و شبکه عصبی مصنوعی استفاده شد. ابتدا یک الگوریتم پردازش تصویر برای استخراج ویژگی های رنگ و اندازه توت فرنگی توسعه داده شد و سپس درجه بندی توت فرنگی بر اساس اندازه به سه طبقه ممتاز، درجه یک و درجه دو و بر اساس میزان رسیدگی به کمک ویژگی های رنگی به سه طبقه رسیده، نیم رس و نارس انجام شد. نتایج تحلیل حساسیت نشان داد که درجه بندی بر اساس اندازه به ویژگی قطر بزرگ، قطر کوچک، محیط و مساحت حساسیت بیشتری دارد. همچنین بر اساس همبستگی بین میزان مواد جامد محلول و رنگ محصول، a* و s از میان بقیه ویژگی های رنگی برای درجه بندی بر اساس میزان رسیدگی انتخاب شدند. در نهایت نتایج نشان داد که شبکه عصبی مصنوعی قادر است با دقت کلی 94.04 و 95.14 به ترتیب درجه بندی بر اساس اندازه و میزان رسیدگی را انجام دهد.

Classification of Strawberry Based on Maturity Rate and Size Using Machine Vision

In this article a machine vision system and an artificial neural network (ANN) for classifying the strawberry based on maturity and shape features were used. First an image processing algorithm for extracting the color and shape features was investigated and then for grading the strawberry into three classes based on shape features and three classes of maturity based on colors features were done. The sensitivity analysis indicated that shape grading had highest sensitive to area, parameter, large and minor diameters features. Also a* and S color features had better correlation coefficient than other color features with total solid soluble and therefore were selected as supreme features for grading the strawberry based on maturity. Finally, results demonstrated that the ANN was able to classify with 94.04 and 95.14 total accuracy rate for shape and maturity grading.