درجه بندی مغز گردو براساس اندازه و رنگ با استفاده از پردازش تصویر

امروزه توسعه سیستم های هوشمندی که بتوانند در مراحل مختلف آماده سازی و فرآوری محصولات کشاورزی و مواد غذایی با کارآیی مناسب بکار روند از اولویت های تحقیقاتی در این حوزه به شمار میروند. بدین منظور در پژوهش حاضر آزمایش هایی به منظور بررسی عوامل موثر بر یک سامانه تشخیص مغزگردو براساس اندازه و رنگ (به روش استاندارد) اجرا شد. بررسی ها بر امکان تشخیص دسته های کیفی، شامل سه دسته «نیمه» ، «ربعی» و «خرده» و سه دسته رنگی، شامل «کهربایی روشن» ، «روشن» و «بسیار روشن» در یک رقم انجام شد. متغیرهای پیش بینی کننده شامل قطر کوچک و بزرگ، الگوریتم شناسایی و مولفه های رنگی Red، Green، Blue، Hue، Saturation، Value، L، a و b از سه مدل رنگی بود. در مقایسه دو روش نورپردازی مشخص شد که هر چند میانگین دقت تشخیص در نورپردازی از پایین (3/94%) نسبت به نورپردازی از بالا (91%) بیشتر است، اما امکان استخراج هم زمان مولفه های رنگی و ابعادی، بکارگیری این روش نورپردازی را موجه میسازد. نتایج همچنین نشان داد که دقت و سرعت تشخیص براساس اندازه به مراتب بیشتر از تشخیص دسته های رنگی است. به طوریکه می توان نمونه های نیمه (نیم-مغز) را با دقت 100% و در مدت زمان میانگین 31/0ثانیه از دسته های دیگر تشخیص داد. درحالی که بالاترین دقت در تشخیص مغزهای با رنگ روشن از دسته های دیگر 2%/76 و در مدت زمان 91/1 ثانیه بود. براساس نتایج تحلیل تشخیص خطی، با توجه به هم پوشانی داده های مدل های رنگی می توان صرفا از شاخص میزان روشنی در مدل HSV با دقت 81% و در مدت زمانی کمتر از 6/0 ثانیه برای تشخیص نمونه های بسیار روشن از دو دسته دیگر استفاده کرد. همچنین در مقایسه مدل های رنگی، به ترتیب مدل HSV و Lab از بالاترین و پایینترین دقت در طبقه بندی برخوردار بودند. بر اساس نتایج این تحقیق می توان از مولفه های رنگی و ابعادی برای تشخیص مغزگردو بر اساس روش استاندارد در مدت زمان کم تر از 2 ثانیه تحت نورپردازی از بالا استفاده نمود. از این اطلاعات می توان برای طراحی و توسعه سامانه های درجه بندی مغز گردو در صنایع غذایی استقاده نمود.