توسعه يك سامانه بينايي ماشين هوشمند به منظور كيفيت‌سنجي برخط شلتوك

روش‌هايي كه به طور معمول براي شناسايي شلتوك‌هاي ‌پوك از سالم مورد استفاده قرار مي‌گيرند، اغلب زمان‌بر و هزينه‌بر هستند. به همين دليل، در اين پژوهش روشي هوشمند و سريع مبتني بر بينايي ماشين و شبكه‌هاي عصبي مصنوعي به‌منظور تشخيص دانه‌‌هاي شلتوك پوك از سالم ارائه شد. تصاوير ديجيتالي پنج رقم شلتوك در سه وضعيت سالم، پوك و مخلوط و در دو حالت پراكنده و كپه‌اي تهيه شدند. پس از انجام پيش پردازش و قطعه‌بندي، براي هر دانه شلتوك 3 ويژگي رنگي و 5 ويژگي شكلي استخراج شد. به‌منظور تشخيص تاثيرگذارترين ويژگي‌ها در تشخيص شلتوك‌‌هاي سالم از پوك، روش تحليل مولفه‌هاي اصلي(PCA) بكار گرفته شد. سپس براي ايجاد مدل شناسايي و دسته‌بندي نمونه‌ها شبكه‌هاي عصبي مصنوعي پرسپترون چندلايه (MLP) بر اساس مولفه‌هاي اصلي كه با روش PCA بدست آمده بودند، مورد استفاده قرار گرفت. براي بررسي قابليت مدلسازي و اعتبارسنجي هر الگوريتم از پارامترهاي آماري ميانگين مربعات خطا (MSE)، ضريب همبستگي (R2)، ويژگي و حساسيت استفاده شد. نتايج نشان داد كه روش هوشمند طراحي شده مي‌تواند با دقت قابل قبول در تمامي ارقام (R2P 0.81, RMSEp 0.219, Sensitivitiy 0.8 Specifisitiy 0.98) دانه‌هاي سالم و پوك را تشخيص دهد. بنابراين از روش بينايي ماشين در تركيب با شبكه‌هاي عصبي مصنوعي مي‌توان به عنوان روشي هوشنمد و سريع در ورودي كارخانه‌هاي سفيدكن شلتوك براي ارزيابي كيفيت شلتوك و تشخيص شلتوك‌هاي سالم از پوك استفاده كرد.