تعيين ارتفاع برش برگ پياز با استفاده از پردازش تصوير و شبكه عصبي مصنوعي

Determination of onion leaf cutting height by using image processing and artificial neural network

حذف برگ پياز يكي از مراحل برداشت اين محصول است كه عمدتا به صورت دستي و با صرف هزينه و وقت زياد انجام مي شود. از جمله ماشين هاي مورد استفاده در برگ زني مكانيزه پياز سرزن غلتكي است. در تحقيق حاضر توده اي، از پيازها در چهار مجموعه بر اساس اندازه قطر تقسيم بندي شدند. سپس با استفاده از پردازش تصوير، شاخص قطر غده ها بر حسب پيكسل تعيين گرديد. در ادامه با به كارگيري شبكه عصبي چندي ساز بردار يادگير (LVQ) پيازها بر حسب اندازه شاخص قطر در چهار گروه طبقه بندي شدند. پيازها در دستگاه سرزن غلتكي سرزني شده و ارتفاع برش برگ روي غده به روش دستي ثبت گرديد. در گام بعدي ارتفاع برش برگ پياز هر گروه با استفاده از شبكه عصبي پرسپترون چندلايه (MLP) پيش بيني گرديد. براي ارزيابي شبكه عصبي LVQ از شاخص هاي دقت، صحت، حساسيت و اختصاصي بودن طبقه بندي و براي تعيين دقت شبكه عصبي MLP از آماره هاي ريشه ميانگين مربعات خطا و ميانگين خطاي مطلق استفاده شد. نتايج نشان داد كه شبكه عصبي LVQ توانست پيازها را با دقت كلي ??/?? درصد طبقه بندي نمايد. همچنين شبكه عصبي MLP ارتفاع برش برگ ها را با مقادير ضريب تعيين (R?)، ريشه ميانگين مربعات خطا (RMSE) و ميانگين خطاي مطلق (AME) به ترتيب ??/?، ??/? و ??/? پيش بيني نمود. از نتايج اين پژوهش مي توان در طراحي و راه اندازي سامانه هاي تنظيم خودكار براي تيغه هاي برش سرزن پياز استفاده نمود.

Onion topping is one of the harvesting steps of this product, which is mainly done manually and with great expense and time. One of the machines used in mechanized onion topping is a roller topper. In the present study, the bulk onions were divided into four groups based on diameter. Then, by using the image processing method, the bulb diameter index was determined based on the number of pixels. In the next step, using a learning vector quantization (LVQ) neural network, onions were classified into four groups according to diameter index size. The onions were cut by a roller-type onion topper and the leaf cutting height was measured and recorded manually. In the following, the cutting height of onion leaves of each group was predicted using a multilayer perceptron neural network (MLP). To evaluate the LVQ neural network, the indices of precision, accuracy, sensitivity, and specificity of the classification and to determine the accuracy of the MLP neural network, root means square error and mean absolute error statistics were evaluated. The results showed that the LVQ neural network was able to classify onions with an overall accuracy of 92.25%. Also, MLP neural network predicted leaf cutting height with the coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (AME), 0.99, 0.05, and 0.04, respectively. The results of this research can be used in the design and operation of automatic adjustment systems for onion cutting blades.