جداسازی بادام‏ های به‌هم چسبیده و طبقه ‏بندی کیفی آنها با تلفیق تکنیک‏ های پردازش تصویر و شبکه‏ های عصبی مصنوعی

ارزیابی کیفی محصولات کشاورزی از فاکتور‏های بسیار مهم در ارتقای کیفیت آن‏ها است. در این تحقیق روشی مبتنی بر ترکیب پردازش تصویر و شبکۀ عصبی مصنوعی پیشنهاد شده است. جداسازی بادام‏های به‌هم چسبیده که با وضعیت‏های متفاوت به‌هم متصل شده‏اند، از جنبه‏های مهم در طراحی دستگاه‏های درجه‏بندی بادام هستند. بر این اساس، الگوریتمی مبتنی بر تکنیک پردازش تصویر برای استخراج نقاط بحرانی و رسم خطوط جداسازی به شکلی صحیح بین آن‏ها پیشنهاد شده است. نتایج نشان داد که این الگوریتم با دقت قابل قبولی بادام‏های به‌هم چسبیده را جداسازی کرد. در گام بعد به ترتیب 6، 36، و 36 ویژگی مرتبط با شکل، رنگ، و بافت از بادام استخراج و از روش pca برای کاهش تعدادی از این ویژگی‏ها استفاده شد. سرانجام، به‌منظور طبقه‏بندی چهار کلاس بادام از روش شبکه‏های عصبی مصنوعی با ساختار 4-7-7-18 و میانگین دقت کل 96/92درصد استفاده شد.

Separation of touching almonds and their quality classification by combining image processing and artificial neural networks techniques

The quality evaluation of agricultural products is one of the key factors in promoting their quality. In this study, a method based on combined image processing technique and artificial neural network was presented. Separation of touching almonds under different positions is a very important step in design of grading devices. In this study, an image processing algorithm based on extracting critical points in the image of almonds and drawing segmentation lines between them is presented. In the next step, the feature vector which includes 6 shape features, 36 color features and 36 texture features was composed. PCA method was used to reduce the dimension of the feature vector. The quality classification of almond in different classes was carried out by artificial neural networks (ANNs). Among different ANN structures, the 18774 topology was the most optimum classifier (total accuracy was obtained 96.92%).