بخشی از مقاله
چکیده - کنترل کیفیت میوهها یکی از بخش های مهم در صنعت کشاورزی می باشد، جهت کاهش هزینههای تولید و افزایش سرعت، استفاده از سیستمهای خودکار و جایگزین کردن آن با نیروی انسانی بسیار ضروری است. پردازش تصویر و بینایی ماشین یکی از ابزارهای اساسی برای پیاده سازی این سیستمهای خودکار میباشد. یکی از مهمترین کارهایی که باید در زمینه بازرسی میوهها انجام پذیرد، تشخیص خرابی های پوست میوه است.
در این مقاله روشی برای تشخیص خرابیهای سطح بیرونی گوجه ارائهشده است که با استفاده از فاصله اقلیدسی بین پیکسلهای تصویر و آستانه گذاری در فضای RG، یعنی تفاضل کانال سبز از کانال قرمز، نواحی خراب را از بخشهای سالم تصویر تشخیص میدهد و در نهایت با محاسبه نسبت بین این دو بخش، به هر میوه گوجه، یک مقدار عددی که نشان دهنده نرخ سالم بودن آن است، اختصاص میدهد.
-1مقدمه:
روشهای ایمن و سریع درجه بندی میوه ها، نقش مهمی در صنعت کشاورزی دارد. درجه بندی دستی میوه ها امری وقت گیر و هزینه بر است. برای بهبود کیفیت میوه و بالا بردن تولید به منظور کاهش شدت کار، لازم است در مورد روش های غیر مخرب تشخیص خودکار میوه مطالعات جامعی انجام گیرد. تشخیص غیر مخرب میوه، روند تشخیص کیفیت داخلی و خارجی میوه است، به طوری که هیچ اثر مخربی روی میوه نگذارد و بدون هیچ تخریبی قادر به ارزیابی و تشخیص کیفیت آن باشد .[1]
در این میان گوجه یکی از محصولات کشاورزی پرمصرف است و روزانه توسط میلیون ها نفر مورد استفاده قرار می گیرد، در نتیجه کشت گوجه تا حد زیادی در سال های اخیر افزایش یافته است .[2] ارائه روشی خودکار برای ارزیابی این میوه و درجه بندی آن بر اساس خرابی های روی پوست بسیار ضروری میباشد. در سالهای اخیر انواع مختلفی از روش های بینایی ماشین و پردازش تصاویر، برای درجه بندی میوه ها استفاده شده است.
تشخیص خرابی ها و اندازه گیری کیفیت میوه در حالت کلی میتواند شامل مراحل زیر باشد :>8@ تصویربرداری و نورپردازی، پیشپردازش، قطعهبندی تصویر، اندازهگیری شیء و طبقهبندی. تصویربرداری و نورپردازی مناسب برای تولید تصاویر با کیفیت بالا، بسیار اهمیت دارد، چون یک تصویر با کیفیت باعث میشود که در پردازش های مراحل بعدی نتیجه بهتری بدست بیاید. نورپردازی با نور پخش شونده نسبت به نورپردازی با نور مستقیم نتایج بسیار بهتری میدهد، چون گاهی در نورپردازی با نور مستقیم، بازتابهای نور روی میوه، با خرابیهای میوه اشتباه میشود. در برخی از روشها با استفاده از طول موجهای مختلف از میوه عکسبرداری شده است.
به عنوان مثال در [9] با استفاده از تصویربرداری فراطیفی فلوئورسانس، روشی برای تشخیص خرابیهای روی سطح گوجه پیشنهاد شده است. که با آستانه-گذاری روی تصاویری که در طول موجهای مختلف از گوجه گرفته شده، نواحی خراب، بازتابهای نور و برگهای میوه تشخیص داده میشود. و در نهایت با حذف برگ ها و بازتاب های نور از تصویر باینری، و پس از عملیات ریختشناسی، نواحی معیوب تشخیص داده شد.
مرحله پیشپردازش شامل عملیاتی است که تصویر را برای مراحل بعد آماده میکند. با توجه به اینکه تصویر خروجی از دوربین ممکن است به دلیل داشتن نویز یا کنتراست پایین، اطلاعات درستی ارائه ندهد. لذا میبایست پس باید به طریقی این اثرات نامطلوب را با عملیات پیش پردازش از بین برد. همچنین میتوان در این مرحله برخی ویژگی های تصویر که اهمیت بیشتری دارند را بهبود داد و یک تصویر مناسب تر نسبت به تصویر قبلی ایجاد کرد. در روشی که برای تشخیص خرابیهای گوجه توسط [10] ارائه شد، با حذف نویز، حذف پسزمینه و کاهش بازتاب نور، تصویر را برای پردازش های مراحل بعدی آماده میکنند. و یا در [11] برای حذف پسزمینه ابتدا با آستانه گذاری در فضای رنگ HSI و سپس تبدیل به RGB، روش اتسو را روی تفاضل کانال سبز و قرمز پیاده سازی کرد.
قطعهبندی، فرایند تقسیم تصویر به چند ناحیه معنادار، با توجه به یک کاربرد خاص است، به طوریکه هر کدام از نواحی همگن و دارای ویژگیهای یکسانی میباشند. این فرآیند براساس اندازهگیریهای گرفته شده از تصویر صورت میگیرد که ممکن است بر اساس سطح خاکستری، رنگ، بافت، عمق یا دیگر ویژگیهای تصویر باشد >13@،.>14@ روشهای مختلفی برای قطعهبندی تصویر وجود دارد، از جمله: روشهای مبتنی بر آستانهگذاری >15@، روشهای مبتنی بر لبهیابی >16@ و روش های خوشه بندی >17@ و دیگر روش ها. این مرحله یکی از مراحل دشوار در جداسازی تصویر است. چون یک قطعه بندی اشتباه منجر به غیر قابل اعتماد شدن نتایج می شود .[18]
در >19@ روشی برای شناسایی کیفیت گوجه ارائه شد که پس از حذف پسزمینه و فیلتر کردن، تصویر ورودی با استفاده از تشخیص لبه canny و آستانه گذاری قطعهبندی شد و پس از استخراج ویژگی ها با خوشه بندی kmean، خرابی ها را تشخیص داد. و در روشی که در [20] برای تشخیص گوجههای خراب ارائه شد پس از بهبود تصویر و پیش پردازش از شیوه لبهیابی سوبل، برای قطعهبندی استفاده میکنند.
یک سیستم بینایی ماشین کم هزینه برای مرتب سازی گوجه فرنگی، بر اساس خرابی و ترک ها در [21] ارائه شد، که متشکل از مرحله های تصویربرداری، پردازش تصویر، تصمیم گیری و کنترل است. که با آستانه گذاری روی کانال سبز و قرمز در فضای رنگ RGB و کانال H در فضای رنگ HSV، و تصمیم گیری بر اساس این سه کانال، اقدام به درجه بندی گوجه می کند. برای تصمیم گیری از روش مبتنی بر قوانین و شبکه های عصبی پس انتشار خطا استفاده شده است.
سیستم کنترل خودکار برای کیفیت گوجه در [10] معرفی شد که شامل سه مرحله پیش پردازش، استخراج ویژگی و طبقه بندی می باشد. پس از انجام عملیات پیش پردازش، که شامل حذف نویز، حذف پسزمینه و کاهش بازتاب نور روی تصویر می باشد، مرحله اصلی یعنی استخراج ویژگی گوجه فرنگی انجام می گیرد که درجه قرمزی بودن و زرد بودن با استفاده از تکنیک های فازی بدست می آید و در نهایت برای طبقه بندی گوجه، از روش های SVM، LVQ و شبکه های عصبی MLP استفاده شده، که نتایج بدست آمده نشان داد که روش SVM عملکرد بهتری نسبت به دیگر روش ها داشته است.
در [22] روشی غیر مخرب برای تشخیص خرابی های روی پوست گوجه پیشنهاد داده شد که با استفاده از ویژگی های طیفی و آماری، خرابی های تشخیص داده می شوند، این روش بر اساس نظریه تصادفی مارکوف، که شاخه ای از نظریه احتمال برای تجزیه و تحلیل مکانی است و ماتریس هم رخداد، ویژگی های تصویر را استخراج می کند و در نهایت برای اندازهگیری هر منطقه از فرکانس مکانی استفاده می شود.
-2طراحی سیستم تشخیص خرابی گوجه:
در این روش هدف اندازهگیری کیفیت گوجه بر اساس خرابی های روی پوست آن است، که قبل از اندازه گیری باید نواحی خراب با دقت از بقیه تصویر جدا شوند. در طراحی سیستم تشخیص خرابی ارائه شده دو مرحله قطعه بندی صورت میپذیرد که در ابتدا میوه از پس زمینه جدا می شود و سپس در ادامه با پر کردن حفره ها و حذف نواحی کوچک متصل به هم در تصویر باینری با استفاده از فیلترهای مورفولوژی - ریخت شناسی - ، تصویر باینری را دقیقتر میکنیم. این فیلترها بر اساس تئوری مجموعه ها عمل می کنند که دو عملکرد فرسایش و گسترش، پایه الگوریتم های مورفولوژی هستند. تصویر باینری پس از انجام عملیات مورفولوژی در شکل 1 قسمت c، نشان داده شده است.
-2-2جداسازی بخش های خراب میوه:
در رابطه 2 ، ، و به ترتیب نشان دهنده، ارزش رنگ پیکسل دلخواه P در کانال قرمز، سبز و آبی می باشد. هر پیکسل از تصویر به نحوی تقسیم بندی می شود که رنگ مورد نظر پیکسل دلخواه در بازه معین شده، باشد - پیکسل نماینده . - a یعنی فاصله بین یک پیکسل دلخواه از تصویر از پیکسل نماینده، کمتر از مقدار آستانه مشخص شده باشد، به این معنی است که این دو پیکسل با هم مشابه بوده و در یک گروه قرار گرفته و اگر فاصله بیشتر از باشد، در گروه دیگری قرار می گیرد، به عبارت دیگر پیکسل مورد نظر با پیکسل نماینده مشابه نمیباشد. قطعه بندی اشاره شده مطابق با رابطه 3 میباشد.
برای جداسازی بخش های خراب از کل میوه، از روش آستانه گذاری استفاده می شود. اما باید آستانه گذاری روی تصویری انجام شود که بیشترین کنتراست بین بخش های سالم و خراب گوجه وجود داشته باشد تا قطعه بندی دقیق تری انجام گیرد. در فضای رنگ RGB، اگر تفاضل بین کانال قرمز و سبز یعنی R-G محاسبه شود، اختلاف بیشتری بین ناحیه های خراب و سالم میوه مشاهده می شود. تصویر باینری بدست آمده در بخش قبل، به عنوان ماسک روی کانال R-G اعمال می شود، پس زمینه حذف می شود. شکل دو نشان دهنده کانال RG بعد از اعمال ماسک روی آن است.
