برآورد حجم سيب و تورفتگي‌هاي آن، به كمك پردازش تصوير و شبكه‏ ي عصبي

Estimation of apple volume and its shape indentation using image processing technique and neural network

خواص فيزيكي محصولات كشاورزي از مهمترين پارامترهاي طراحي سيستم هاي بسته بندي و درجه بندي هستند و حجم محصولات كشاورزي، يكي از اين خواص مي باشد كه بايستي به ‏طور دقيق اندازه گيري شود. پردازش تصوير و شبكه ي عصبي از ابزار هاي پركاربرد و غير مخربي هستند كه اخيراً به اين منظور استفاده مي شوند. در اين مطالعه ابتدا با استفاده از دوربين به فاصله ي ثابت از نمونه ها عكس برداري گرديده و تصاوير رنگي با نرم افزار Matlab پردازش شده و لبه ي سيب ها استخراج گرديد. سپس سطح به دست آمده در راستاي عمود بر محور طولي سيب، به المان هاي نازك ذوزنقه اي تقسيم بندي گرديده و حجم حاصل از دوران اين المان ها بر حسب پيكسل محاسبه شد. سپس سيب ها از وسط برش داده شده و عكس برداري شدند تا حجم تورفتگي هاي سيب به‏ دست آمده و از حجم كل سيب كاسته شود. حجم واقعي سيب نيز با استفاده از روش جابه‏ جايي آب، بر حسب سانتي متر مكعب اندازه گيري شد و رابطه ايي بين حجم واقعي و حجم پيكسلي سيب ارايه گرديد كه مي تواند در تخمين حجم سيب استفاده شود. آزمون t و بلاند-آلتمن نشان داد كه بين حجم واقعي سيب و حجم پردازش تصوير در سطح احتمال 5% اختلاف معني داري نيست و اختلاف ميانگين بين آن‏ها 52/1 سانتي متر مكعب بوده و داراي دقت 92/0 مي باشد. استفاده از شبكه عصبي با پارامترهاي ورودي ابعاد و جرم سيب دقت اندازه گيري حجم سيب را تا 97/0 بالا برده و اختلاف ميانگين بين حجم ها را تا 7/0 كاهش داد. اين تحقيق نشان مي دهد كه پردازش تصوير و شبكه ي عصبي مي توانند به‏ عنوان روش هاي ساده و كارآمد در تخمين حجم محصولات كشاورزي استفاده گردند.

Physical properties of agricultural products such as volume are the most important parameters influencing grading and packaging systems. They should be measured accurately as they are considered for any good system design. Image processing and neural network techniques are both non-destructive and useful methods which are recently used for such purpose. In this study, the images of apples were captured from a constant distance and then were processed in MATLAB software and the edges of apple images were extracted. The interior area of apple image was divided into some thin trapezoidal elements perpendicular to longitudinal axis. Total volume of apple was estimated by the summation of incremental volumes of these elements revolved around the apple’s longitudinal axis. The picture of half cut apple was also captured in order to obtain the apple shape’s indentation volume, which was subtracted from the previously estimated total volume of apple. The real volume of apples was measured using water displacement method and the relation between the real volume and estimated volume was obtained. The t-test and Bland-Altman indicated that the difference between the real volume and the estimated volume was not significantly different (p > 0.05) i.e. the mean difference was 1.52 cm3 and the accuracy of measurement was 92%. Utilizing neural network with input variables of dimension and mass has increased the accuracy up to 97% and the difference between the mean of volumes decreased to 0.7 cm3.