بخشی از مقاله
چکیده
کشمش از جمله مهمترین اقلام صادراتی ایران است. ایران بعد از ایالات متحده آمریکا و ترکیه در رتبه سوم تولید و بعد از ترکیه در رتبه دوم صادرات کشمش جهانی قرار دارد. بنابر این تحقیق و مطالعه در مورد این محصول می تواند اهمیت قابل ملاحظه ای داشته باشد. این مقاله به ارائه یک سیستم خبره جهت درجه بندی کیفیت کشمش با استفاده از تصاویر گرفته شده از دانه های کشمش پرداخته است.
ایده اصلی جهت تشخیص کیفیت برتر کشمش از کیفیت نامرغوب با حداقل ضریب خطا است.به این منظور، در ابتدا با استفاده از یک دستگاه اسکنر HP رنگی از دانه های کشمش نمونه برداری شد. سپس ویژگی های مربوط به هر دانه کشمش با استفاده از روش GLCM بدست آمد.
سپس برای کاهش ابعاد ویژگی ها از روش PCA استفاده شد در نهایت توسط شبکه عصبی و ماشین بردار پشتیبان و مدل استنتاج عصبی فازی تطبیقی این ویژگی های استخراج شده کلاسه بندی شدند و نتیجه آن توسط ماتریس اغتشاش محاسبه شد که بدین ترتیب درصد خطای شبکه عصبی 1/24 و ماشین بردار پشتیبان 22/33 و مدل عصبی فازی تطبیقی 6/13 بود. نتیجه این پژوهش می تواند در ساخت یک سیستم تشخیص کیفیت کشمش هوشمند مورد استفاده قرار بگیرد.
مقدمه
سطح تاکستان های کشور حدود 292 هزار هکتار است که بیش از 90 درصد آن بارور است. استان قزوین با 12/1 درصد از سطح تاکستان بارور مقام سوم را دارد.میزان تولید انگور کشور حدود 2505 هزار تن است و استان قزوین با تولید 16/9 درصد کل انگور کشور در جایگاه دوم قرار دارد .[1] ایالات متحد آمریکا و ترکیه بزرگترین تولید کنندگان کشمش در دنیا هستند از تولید کنندگان مهم دیگر شیلی با 41500 تن و آفریقای جنوبی با 37000 تن و یونان و استرالیا و مکزیک هستند
به طور کلی، کشمش میوه رسیده و خشک شده ارقام مختلف انگور که از بوته مو ویتیس وینیفرا از خانواده ویتاسه به دست می آید. برای تهیه آنها از انگورهایی استفاده می شود که دارای حبه های گوشتی و پر قند باشند.وجود دانه در انگور باعث پایین آمدن کیفیت کشمش می شود. به این دلیل بیشتر از رقمهای بی دانه سفید و قرمز استفاده می شود
زمانی که مقدار قند انگور به 19 تا 23 درصد رسید موقع چیدن انگور برای تهیه کشمش است.علاوه بر این، نسبت قند به اسید انگور نیز باید در حدود 33 تا 35 درصد باشد.[2,3] روش های سنتی ارزیابی حسی در تعیین کیفیت مواد غذایی کاربرد زیادی دارند ولی این روش ها زمان بر و پر هزینه هستند. همچنین شرایط فیزیکی انسان مثل خستگی یا حتی شرایط روحی می تواند بر نتیجه کار تاثیر گذار باشد.
این عوامل سبب ایجاد انگیزه برای توسعه روش های جانشین است که در زمان کمتر و با دقت بیشتر خصوصیات کلیدی محصول را ارزیابی کنند. بینایی ماشین یکی از روش ها است. بینایی ماشین، تکنولوژی تهیه و آنالیز تصاویر یک صحنه واقعی به وسیله کامپیوتر در راستای کسب اطلاعات یا کنترل یک پروسه است. می توان به کمک بینایی ماشین، خصوصیات تصویر را استخراج نمود و از آن برای تشخیص و شناسایی کیفیت انواع محصولات استفاده کرد.در سال های اخیر پژوهش های محدودی به منظور درجه بندی کیفیت کشمش با استفاده از فناوری بینایی ماشین انجام شده است.
مهدیانی و همکاران روشی را برای درجه بندی کشمش با استفاده از رنگ دانه ارائه دادند در این پژوهش از الگوریتم K-Means استفاده شد و درصد تشخیص در این پژوهش 93.75 بود. - علی ماشاءاالله کرمانی و همکاران - روشی را برای خوشه بندی دو نوع کشمش آفتابی و سایه خشک ارائه دادند که در این مقاله از الگوریتم پردازشی استفاده شده درصد تشخیص در این پژوهش 94/3 بود.
- مهدی عباسقلی پور و همکاران - سیستمی را جهت درجه بندی کشمش سالم از ناسالم با استفاده از نرم افزار ویژوال بیسیک ارائه دادند. - توکامورا و همکارانش - پردازش تصویر را برای تعیین میزان چروکیدگی کشمش به کار بردند که توانستند کشمش را به سه درجه تقسیم نمایند.در مقاله حاضر، هدف ارائه یک سیستم مبتنی بر بینایی ماشین برای شناسایی کشمش مرغوب از نامرغوب با بهبود درصد خطا می باشد.در آزمایشات انجام شده تصاویر از دانه های کشمش منطقه ملایر تهیه شده است. سپس ویژگی های مربوط به هر دانه به صورت جداگانه استخراج شده است و بعد ویژگی های بدست آمده با الگوریتم شبکه عصبی و ماشین بردار پشتیبان به صورت جداگانه دسته بندی می شوند و در نهایت نتایج حاصله از این دو الگوریتم کلاسه بندی، توسط روش K Fold Cross Validation با یکدیگر مقایسه می شوند. تا با استفاده از از نتایج این تحقیق بتوان الگوریتمی جهت تحقق اهداف مورد نظر بدست آورد.
مواد و روش ها
در این مقاله روشی برای تشخیص کیفیت کشمش مرغوب از نامرغوب ارائه شده است. دیاگرام شکل 1 مراحل کلی انجام کار را برای این منظور نشان می دهد.
به این منظور ابتدا، با استفاده از یک دستگاه اسکنر رنگی تصاویر مربوط به دانه های کشمش در دسته های خوب و بد بدست آمده است. بعد از گرفتن تصاویر، ویژگی های بافتی دانه های کشمش با استفاده از روش GLCM بدست آمده است و توسط شبکه عصبی و ماشین بردار پشتیبان ویژگی های استخراج شده دسته بندی شدند و در نهایت توسط روش K Fold Cross Validation نتایج بدست آمده از هر یک از الگوریتم های دسته بندی با یکدیگر مقایسه شدند.
شکل 1 مراحل کلی انجام کار
روش ماتریس رخداد همزمان - GLCM - از جمله روش های آماری استخراج بافت است که توسط Haralick در سال 1973 ارائه شده است
این روش بر اساس فاصله و زاویه میان دو زوج پیکسل که در یک پنجره با ابعاد مشخص قرار گرفته اند به محاسبه بردارهای ویژگی می پردازد. در تحقیق اولیه Haralick، 23 ویژگی معرفی گردید که در سال 1979، وی این 23 ویژگی را به 8 ویژگی تقلیل داد
جدول 1 ویژگی بافتی .GLCM در این روابط pd ماتریس GLCM نرمالیزه با ابعاد N*N و N تعداد سطوح خاکستری تصویر مورد پردازش است.
استخراج ویژگی بافتی
روش های استخراج بافت تصاویر را می توان به چهار دسته عمده تقسیم نمود: ساختاری، آماری، استخراج بافت بر اساس مدل و استخراج بافت بر اساس تبدیل.
