طبقه بندي هوشمند ماهي كپور معمولي (Cyprinus carpio) بر اساس تازگي با استفاده از پردازش تصوير و سامانه استنتاج فازي عصبي تطبيقي

Intelligent Classification of Common Carp (Cyprinus carpio) Based on Freshness Using the Combined of Image Processing Techniques and Adaptive Neuro-fuzzy Inference System

اين مقاله بكارگيري روش پردازش تصوير در تركيب با روش هوشمند انفيس را براي طبقه بندي ماهي كپور بر اساس تازگي در طول دوره نگهداري در شرايط يخ پوشي پيشنهاد مي دهد. پس از اكتساب تصوير، جهت پيش پردازش، تصاوير به كانال هاي رنگي مختلف منتقل شدند و ويژگي هاي آماري بافت تصاوير استخراج گرديد. به منظور افزايش سرعت و دقت طبقه بندي از تجزيه مولفه هاي اصلي(PCA) براي كاهش ابعاد ويژگي استفاده شد. ارزيابي طبقه بند جهت تشخيص تازگي با استفاده از شاخص هاي آماري نظير دقت، صحت، حساسيت، اختصاصي بودن و سطح زير منحني انجام شد. مقادير اين شاخص ها براي طبقه بندي به كمك طبقه بند استنتاج عصبي-فازي تطبيقي (انفيس) به ترتيب برابر با 90/33، 79/01، 77/36، 92/57 و 84/97 درصد براي داده هاي آزمون بدست آمد. نتايج پژوهش حاضر نشان داد كه روش اخير قابليت ارزيابي و تشخيص سريع و برخط تازگي ماهي در صنايع غذايي را به عنوان يك روش كم هزينه، ساده و غير مخرب دارد.

This paper proposes an image processing method in combination with the intelligent adaptive neuro-fuzzy inference system (ANFIS) for classifying common carp bodies based on the freshness factor during the storage period under ice-covered conditions. In doing so, after image acquisition, for pre-processing, the images were transferred to various color channels and the statistical properties of the image texture were extracted. In order to increase the speed and accuracy of classification, the principal component analysis method (PCA) was used to reduce the dimensions of the features. Evaluation of the classifier was performed to identify the freshness level using statistical indices such as accuracy, precision, sensitivity, specificity and area under the curve (AUC). The values of these indices for classification using ANFIS for the test data were obtained as 90.33, 79.1, 77.36, 92.57 and 84.97, respectively. The acceptable results obtained from fish images showed that the current method has the ability for quick online detection of fish freshness in the food industry as a low-cost, simple and non-destructive method.