بخشی از مقاله
چکیده
در این تحقیق از ماشین بینایی جهت تعیین میزان چ شده است. نمونه های گوشت برای تصویر برداری در یک اتاقک تصویر برداری با پیش زمینه آبی قرار گرفتند. جهت به دست آوردن یک الگوریتم مناسب از ویژگی های رنگی تصاویر استفاده شد. مراحل کلی این کار شامل تهیه تصاویر، خواندن تصاویر در نرم افزار متلب، جدا کردن پیش زمینه از تصویر، جدا کردن بافت چربی از گوشت و محاسبه مساحت چربی مورد نظر نسبت به مساحت گوشت می باشد.
جهت کسب اطمینان از اینکه نتایج به دست آمده تا چه حد به واقعیت نزدیک است، از نمونه های گوشت خالص و چربی خالص کردیم. دقت الگوریتم برای شناسایی دو نوع بافت گوشت و چربی خالص به ترتیب برابر با 99/65 و99/21 درصد به دست آمد. مقدار خطای ایجاد شده ناشی از تغییر رنگ در بعضی نمونه ها و وجود سایه در بعضی نقاط بود. پس از اطمینان از دقت الگوریتم ، از نمونه های دیگر که بافت آنها ترکیبی از گوشت و چربی بود، مورد ارزیابی قرار گرفتند، که در هر نمونه میزان چربی و گوشت با محاسبه پیکسل های مربوط به هر ناحیه محاسبه شد.
علم پردازش تصویر، از علوم پر کاربرد و مفید در فنون مهندسی می باشد و از دیر باز مطالعات و تحقیقات گسترده ای در این زمینه صورت گرفته و پیشرفت های فراوانی حاصل شده است. سرعت گسترش این پیشرفت ها به حدی بوده است، که هم اکنون و پس از گذشت مدت زمان کوتاهی می توان تاثیر پردازش تصویر را در بسیاری از علوم و صنایع به وضوح مشاهده نمود. یک نمونه از کاربردهای گسترده آن را می توان در شاخه صنایع غذایی جهت تعیین کیفیت مواد خوراکی مشاهده کرد.
به عنوان مثال امروزه میزان مصرف گوشت قرمز به خاطر بالا بودن درصد چربی آن نسبت به گوشت سفید کمتر توصیه می شود و سعی می شود در صورت مصرف آن جهت جلوگیری از بروز بیماری های قلبی و عروقی میزان چربی مصرفی آن کنترل شود. بنابراین کنترل میزان چربی در برنامه غذایی افراد می تواند یک امتیاز جهت ارائه خدمات بهتر در مراکز تهیه و توزیع غذا و همچنین رستوران ها در مراکز تفریحی باشد. یکی از روشهایی که در کنترل میزان چربی گوشت قرمز می تواند مورد استفاده قرار گیرد، سیستم بینایی ماشین می باشد.
مزیت این روش سرعت بالای آن و پاسخ گویی در کوتاه ترین زمان و غیر مخرب بودن آن می باشد. به دلیل تفاوت در رنگ چربی و گوشت خالص می توان با استف . تعیین میزان چربی گوشت به روش ماشین بینایی می تواند سبب افزایش دقت در تصمیم گیری در فرآیند های صنایع غذایی گردد. بنابر این ارائه روشی که بتواند در کوتاه ترین زمان ممکن به این نیاز پاسخ دهد از اهمیت خاصی برخوردار می باشد. رنگ یکی از مهمترین صفات کیفی گوشت برای مصرف کننده به هنگام خرید می باشد. از دید مصرف کننده میزان تازه بودن، مرتبط با رنگ قرمز گوشت می باشد، در حالی که رنگ چربی از اهمیت کمتری برخوردار می باشد - . - Mancini and Hunt, 2005 بنابراین رنگ گوشت یکی از فاکتور های اولیه در رابطه با تعیین کیفیت می باشد.
تکنیک آنالیز تصاویر یک راه حل مناسب و کاربردی در تعیین کیفیت گوشت بوده و تحقیقات گسترده ای در این رابطه صورت گرفته است که نتایج آن نشان می دهد، پردازش تصویر یک ابزار مفید برای نمایش میزان رنگ گوشت می باشد . - Chen and Qin, 2008 - تا به امروز تحقیقاتی در زمینه تعیین میزان چربی قطعات برش خورده گوشت صورت گرفته است،که در ادامه به برخی از آنها اشاره شده است. پژوهشگران از آنالیز تصاویر جهت تخمین خودکار محتوی چربی فیله ماهی قزل آلا استفاده کردند، چهل نمونه از فیله ماهی تهیه شد.
پس از تصویر برداری و آنالیز تصاویر، نتایج به دست آمده با نتایج حاصل از یک روش شیمیایی مقایسه شد و یک ضریب همبستگی نسبتا خوب - r=0/84 - به دست آمد. این محققین بیان کردند که اگر چه اندازه نمونه ها نسبتا کوچک بود، ولی ضریب همبستگی به اندازه کافی بزرگ بود که نشان دهد این روش پس از توسعه به عنوان یک ابزار مفید جهت تعیین محتوی چربی ماهی قزل آلا مورد استفاده قرار گیرد. - Lars Helge and et al .2006 -
در تحقیقی دیگر، برای تعیین محتوی چربی گوشت طیور از روش پردازش تصویر استفاده شده است. تعداد 15 قطعه از گوشت سینه و ماهیچه مرغ و تعداد 20 نمونه از گوشت بوقلمون نیز مورد بررسی قرار گرفت. دمای نمونه ها را به کمتر از 4 cرساندند، سپس نمونه ها را به قطعات کوچکتر به وزن 30 -50g ، و ضخامت 3 mm برش دادند. به هنگام تصویر برداری از دو پیش زمینه به رنگ سبز و سیاه به دلیل اینکه این دو رنگ تضاد خوبی بین تصویر و پیش زمینه به وجود می آورند استفاده کردند.
پس از تصویر برداری و آنالیز تصاویر نتایج به دست آمده نشان داد که برای تصاویر با پیش زمینه سبز در هر دو نمونه گوشت ضریب همبستگی - R2 - کوچکتری به دست آمد و پیش زمینه سیاه برای این منظور مناسب تر می باشد. جهت بیان دقت این روش نتایج با نتایج حاصل از روش شیمیایی مقایسه شد که برای تصاویر با پیش زمینه سیاه R2= 0/65 و برای تصاویر با پیش زمینه سبز R2= 0/49 به دست آمد - . - Marta and et al.2011 محققین در پژوهشی که به منظور شناخت بافت چربی گوشت انجام شد، پس از منجمد کردن گوشت به مدت 72 ساعت در دمای 4 c ، با برش آن به لایه های2/5 cm تعداد 123 نمونه تهیه کردند.
پس از آن نمونه ها به دو گروه تقسیم شدند. تعداد 88 نمونه جهت آنالیز تصویر و 35 نمونه دیگر جهت ارزیابی عملکرد آنالیز تصویر مورد استفاده قرار گرفتند. مراحل اصلی آنالیز تصویر در این تحقیق شامل، جدا کردن پیش زمینه از تصویر گوشت، جدا سازی چربی از گوشت و محاسبه میزان چربی می باشد - شکل. - 1 از روش ماشین بردار پشتیبان SVM1 جهت توسعه آنالیز تصاویر استفاده شد. شکل - 1الف - یک نمونه گوشت که برای تصویر برداری آماده شده است را نمایش می دهد.
همانطور که مشاهده می شود از یک پیش زمینه کاملا یکنواخت استفاده شده است. پس از تعیین مرزهای تصویر گوشت و توسعه یک الگوریتم به این منظور، تصویر اصلی از پیش زمینه جدا شده است شکل 1 - ب - . در شکل - 1د - تصویر باینری شده با استفاده از مقدار آستانه به دست آمده است. همانطورکه در شکل - 1د - نمایش داده شده است این تصویر حاوی پیکسل هایی به رنگ سیاه در لبه ها و درون تصویر می باشد که در محاسبات می توانند سبب خطا شوند.
بنابر این در شکل - 1ه - ، شکل فرسایش یافته مرحله قبل مشاهده می شود، که سبب منظم تر شدن لبه ها و همچنین حذف چربی های زیر پوستی و لکه های ریز چربی شده است. در شکل - 1ن - شکل باینری شده دقیقتری از بافت چربی نمایش داده شده است. نتایج این تحقیق درصد عملکرد را %97/4 بیان کرد، که ثابت می کند این روش یک ابزار مفید برای تعین میزان چربی در یک لایه گوشت می باشد . - chen et al,2009 -
شکل .1 نمایش مراحل جداسازی و مشخص کردن بافت چربی در یک نمونه: - الف - تصویر اصلی گوشت با یک پیش زمینه یکنواخت - ب - جدا نمودن تصویر از پیش زمینه - ث - تصویر اصلی جدا شده از پیش زمینه - د - تصویر باینری شده - ه - تصویر فرسایش یافته - ن - تصویر نهایی بافت چربی محققین دیگری از یک الگوریتم ترکیبی برای ارزیابی اتوماتیک چربی گوشت ماهیچه استفاده کردند - Cheng -Jin and et .al.2008 - پنجاه قطعه گوشت ماهیچه به ضخامت 2/5 cm را به مدت 2 روز در دمای 2 درجه سانتیگراد نگهداری کردند. جهت استخراج بافت چربی از گوشت و محاسبه مقدار آن به روش پردازش تصویر از سه مرحله استفاده کردند. مرحله اول فیلتر کردن تصاویر جهت حذف نویز، مرحله دوم بخش بندی تصویر ، و مرحله سوم استخراج بافت چربی می باشد. نتایج این تحقیق نشان داد که این روش با دقت %82/63 می تواند یک روش مناسب جهت تعیین میزان چربی گوشت باشد.
در این تحقیق نیز از روش پردازش تصویر جهت تخمین محتوی چربی گوشت قرمز استفاده شده است. تفاوت این تحقیق با پژوهش هایی که تا به امروز انجام شده است و به آنها اشاره شد، در نحوه ارزیابی عملکرد الگوریتم می باشد. در تحقیقات قبلی پس از تصویر برداری از نمونه جهت اطمینان از الگوریتم میزان چربی آن توسط یک روش شیمیایی ،که علاوه بر وقت گیر بودن یک روش مخرب نیز می باشد، استفاده شده است. در این تحقیق سعی شده است جهت ارزیابی عملکرد الگوریتم از یک روش غیر شیمیایی و غیر مخرب استفاده شود و با روشهای کنترل، الگوریتم اطمینان ارزیابی شود.
