سامانه بينايي كامپيوتر جهت برداشت خودكار گوجه‌فرنگي گلخانه‌اي در شرايط نور طبيعي

Computer Vision Utilization for Detection of Green House Tomato under Natural Illumination

بيش از دو دهه است كه بخش كشاورزي استفاده از سامانه‌هاي خودكار را تجربه مي‌كند. از موارد كاربرد اين سامانه‌ها در كشاورزي مي‌توان به برداشت ميوه اشاره نمود. بينايي كامپيوتر يكي از پركاربردترين فن‌آوري‌هاي مورد استفاده در صنايع غذايي و كشاورزي نوين است. در مقاله حاضر سيستمي خودكار مبتني بر بينايي كامپيوتر جهت برداشت گوجه‌فرنگي گلخانه‌اي ارايه مي شود. دوربينCCD به عنوان حس‌گر بينايي از فضاي كاري عكس مي‌گيرد و گوجه‌ها با رسيدگي بالاي 50 درصد توسط پردازش تصاوير شناسايي مي‌شوند. در اين پژوهش از سه فضاي رنگيRGB , HSI و YCbCr و سه الگوريتم آستانه‌يابي، انحناي سطح تصوير و رابطه قرمز/ سبز جهت تشخيص گوجه‌فرنگي‌هاي رسيده از زمينه و تحت شرايط نور طبيعي استفاده شده است. نتايج نشان مي‌دهد متوسط خطاي الگوريتم‌هاي آستانه‌يابي، رابطه قرمز/ سبز و انحناي سطح تصوير به‌ترتيب 82/11، 03/10 و 95/7 درصد در سه فضاي رنگيHSI ، RGB وYCbCr بود. فضاي رنگي YCbCr و الگوريتم انحناي سطح تصوير در تمايز گوجه‌فرنگي رسيده از زمينه و در شرايط نور طبيعي، موفق‌تر عمل مي‌كند.

Agricultural sector experiences the application of automated systems since two decades ago. These systems are applied to harvest fruits in agriculture. Computer vision is one of the technologies that are most widely used in food industries and agriculture. In this paper, an automated system based on computer vision for harvesting greenhouse tomatoes is presented. A CCD camera takes images from workspace and tomatoes with over 50 percent ripeness are detected through an image processing algorithm. In this research three color spaces including RGB, HSI and YCbCr and three algorithms including threshold recognition, curvature of the image and red/green ratio were used in order to identify the ripe tomatoes from background under natural illumination. The average error of threshold recognition, red/green ratio and curvature of the image algorithms were 11.82%, 10.03% and 7.95% in HSI, RGB and YCbCr color spaces, respectively. Therefore, the YCbCr color space and curvature of the image algorithm were identified as the most suitable for recognizing fruits under natural illumination condition.