بخشی از مقاله
چکیده
در این تحقیق یک سامانه طبقهبندی خودکار بر مبنای ماشین بینایی و شبکههای عصبی مصنوعی بر اساس رنگ و مؤلفه های آن، توسعه داده شد. حدود 300 تصویر رقمی از باغات انگور شهرستان ارومیه در شرایط مختلف نوری از ساعات اولیه صبح تا عصر در هوای ابری و آفتابی گرفته شدند. از شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا به عنوان یکی از ابزارهای هوش مصنوعی برای تشخیص و جداسازی کلاسهای تصویر استفاده شد.
ورودی شبکه، میانگین مولفههای اصلی رنگ R - ،Gو - B پیکسلهای تصاویر بوده و در خروجی شبکه عدد یک - 1 - به عنوان خوشه انگور قرمز و عدد صفر - 0 - به عنوان غیر ا نگور - برگ، آسمان، شاخه و تنه - در نظر گرفته شد که در نهایت بعد از آزمون و خطای الگوریتم یادگیری و تعداد نرون های شبکه عصبی مشخص شد که با بکارگیری 13 نرون در لایه مخفی و یک لایه مخفی و الگوریتم یادگیری از نوع Trainlm و تابع انتقال سیگموئیدی، شبکه عصبی با 98 درصد قادر به تشخیص و جداسازی کلاسهای تصویر میباشد. نتایج حاصل از آنالیز تصویر حاکی از وجود دقت بالایی در بخشبندی کلاسهای تصویر بود.
.1مقدمه
بر اساس آمار نامه وزارت جهاد کشاورزی سطح زی ر کشت انگور در ایران در سال 1390، 306 هزار هکتار بوده و با تولید بالغ بر 3 میلیون تن در مرتبه هفتم جهان و یکی از عمدهترین تولیدکنندگان انگور به شمار می آید - .[8] - FAO 2011 برداشت بسیاری از محصولات باغی و بسیاری از میوههای گلخانهای نیازمند نیروی انسانی بسیار بوده و در نتیجه هزینه برداشت این محصولات را افزایش خواهد داد. در صورتی که بتوان سامانههای برداشت را مکانیزه کرده و از ماشینهای خودکار برای برداشت محصولات استفاده کرد میزان زیادی از این هزینهها کاسته شده و در مقابل صرف تولید محصولات بیشتر و با کیفیتتر خواهد شد.
استفاده از دستگاههای مکانیزه کنترل، داشت و برداشت محصول برای گونهای از میوهها که مصرف گستردهای برای مردم دارند مقرون به صرفه به نظر میرسد. این کار هم به دلیل تعداد کم کار گران و هم به دلیل اینکه با استفاده از روبوت می توان میوهها را با کیف یت بهتر از درخت جدا کرد ، مفید به نظر میرسد. تکنیکهای پردازش رقومی تصویر، ماشین بینایی، هوش مصنوعی - شبکه عصبی - و شاخه های وابسته به آنها هر روز جای خود را در بین رشته های علوم فنی و مهندسی و از جمله طراحی ماشینهای کشاورزی باز میکنند. از جمله مزیتهای اصلی این روشها، غیر مخرب بودن1 و بلادرنگ بودن2 این روشها و کاهش خطای انسانی است.
رنگ یکی از فاکتورهای بسیار مهم در تشخیص میوههاست. برای تهیه سامانه طبقهبندی مناسب بر اساس رنگ دو عامل مهم باید در نظر گرفته شود. نخست اینکه سامانه رنگی برای انواع کلاسهای متفاوت مورد نظر، برای طبقه بندی میوه، دارای مقادیر با فاصله مناسب باشد تا در زمان طبقهبندی، تشخیص کلاسها از یکدیگر به سادگی امکانپذیر باشد.
شکل: 1 مراحل طی شده برای پروژههای ماشین بینایی
دوم اینکه سرعت محاسبه فاکتورهای این سامانه رنگی نیاز به زمان زیادی نداشته باشد. به منظور طبقهبندی خودکار محصولات کشاورزی میتوان از سامانه بینایی ماشین استفاده کرد. مراحل استفاده از سامانه بینایی ماشین در شکل 1 مشاهده میشود. تا کنون تحقیقات متفاوتی بر روی برداشت محصولات توسط ماشینهای بینا یی صورت گرفته است.
زند و همکاران - 2011 - ، روشی برای آشکارسازی میوه خیار گلخانهای در تصاویر گلخانهای با رهیافت شبکه عصبی پیشنهاد کردند. این شبکه با استفاده از تعدادی تصویر شامل تصاویر خیار و تصاویر غیر خیار و پاسخهای مطلوب آنها آموزش داده شد. نواحی به دست آمده از این شبکه منجر به آشکار سازی دقیق مکان خیارها در تصویر شد.
استبان3 و همکاران - 2009 - ، یک سامانه بینایی برای درجه بندی انگور در انبار با استفاده از مدلهای رنگی RGB و HSV و شبکه عصبی پیشنهاد دادند. بهترین نتیجه با استفاده از شبکههای سه لایه پنهان بهدست آمد که رویکردی از یک رابطه غیر خطی از آنالیز اجزای اصلی و رسیدن به یک میزان موفقیت بیش از 90 درصد د ر تمام آزمونها را نشان میدهد.
زائویان4 و همکاران - 2005 - ، توانستند به شناسایی واریته برنج با استفاده تکنیکهای پردازش تصویر و شبکه عصبی بپردازند. واریتههای برنج مورد استفاده ey7954, syz3, xs11, xy5968, xy9308, z903 بودند، از این واریتهها 7 ویژگی رنگ و 9 ویژگی مورفولوژیکی بدست آورده شد. از هر واریته حدود 200 نمونه برای آموزش شبکه انتخاب شد و بعد از آموزش از 60 نمونه برای تست شبکه استفاده کردند.
گویر و یانگ - 2000 - 5، یک سامانه ماشین بینایی طراحی کردند که مشخصات بافتهای مختلف گیلاس را تعیین میکرد. تصاویر چند طیفی از نمونههای گیلاس جمع آوری شد که در محدوده 680-1280 نانومتر با فواصل 40 نانومتر بودند. با استفاده از اثرات طیفی بافتهای مختلف گیلاس در تصاویر، از شبکههای عصبی برای طبقهبندی استفاده شد. در نهایت نرخ %73 برای تشخیص و جداسازی درست بدست آمد.
مجیدی و همکاران - 2009 - ، یک سامانه بینایی ماشین برای روبوت برداشت سیبهای قرمز و زرد را با استفاده از تصاویر رنگی پیادهسازی کردند. نتایج حاصل از آنالیز و طبقه بندی تصاویر در شبکه عصبی وجود دقت بالای 97/5 درصد را نشان داد.
.2مواد و روشها
تعداد 300 عکس از چهار باغ انگور بزرگ از نوع بیدانه قرمز در دو روستا ی تازه کند و نازلو در شهرستان ارومیه از خوشه انگور قرمز با استفاده از یک دوربین رقمی CanonPowerShot SX30 IS با تفکیک پذیری 7 مگا پیکسل تهیه و ذخیره شدند. بر اساس تحقیقات قبلی بهترین ویژگی به منظور طبقهبندی تصاویر، آنالیز تصاویر در فضای رنگی و استفاده از ویژگی های رنگی تصویر تشخیص داده شد.
هر یک از کلاسهای استخراج شده خوشه انگور قرمز، برگهای سبز، آسمان و شاخهها از تفریق آرایههای رنگی تصویر، حاصل شدند، به همین علت تصاویر به دست آمده با این روش، دارای مقادیر سطح خاکستری بسیار پایینی میباشند. برای حل این مشکل از تصاویر باینری کلاسهای استخراج شده تصویر به عنوان ورودی الگوریتم استخراج ویژگیهای کلاسهای تصویر استفاده شد. به این منظور پس از پردازش مقدماتی تصویر، مقدار میانگین کل پیکسلهای تشکیل دهنده هر مولفه تصویر بر اساس رابطه 1 زیر محاسبه شد.
که در آن:
: Ai مقدار میانگین مولفه i ام تصویر، : gi - x, y - مقدار سطح خاکستری پیکسل - x, y - در مولفه i ام تصویر، : Ni
تعداد کل پیکسلهای تصویر، : m تعداد سطرهای تصویر و : n تعداد ستون های تصویر می باشد.
هدف اصلی از استخراج ویژگی، کاهش ابعاد تصویر و متعاقب آن کاهش حجم دادههای ورودی به سامانههای پردازش است. معیار اصلی برای انتخاب بردارهای ویژگی افزایش وجه تمایز1 بین بردارهای ویژگی مربوط به کلاسهای تصویر است. یعنی عناصر مربوط به بردارهای ویژگی به نحوی بوده که دو بردار از لحاظ جبری متمایز بوده و برابر نباشند. در نهایت با آزمودن ویژگیهای استخراج شده برای تمامی کلاس های یک تصویر و با در نظر گرفتن حافظه در دسترس و قدرت محاسباتی ماشین این مهم حاصل شد که بهترین نتیجه با بردارهای ویژگی 3×1 بهدست خواهد آمد، یعنی انتخاب تنها سه ویژگی و آرایش آنها بهصورت یک بردار 3×1 بهطوری که میزان تمایز بین بردارهای ویژگی مربوط به کلاسهای مختلف یک تصویر در فضای بردارهای ویژگی را افزایش دهد، کفایت خواهد کرد.
در این تحقیق با توجه به تحقیقات سایر محققین و بررسی فضاهای رنگی مختلف، فضای رنگی RGB به عنوان مناسبترین فضا برای دستهبندی و طبقهبندی تصاویر و تشخیص میوه یا غیر میوه بودن، انتخاب گردید. در این روش به دلیل اینکه مستقیماً تمامی دادههای موجود وارد شبکه میشوند هیچگونه کاهش یا حذف اطلاعات رخ نمیدهد
