Przejdź do głównego menu Przejdź do sekcji głównej Przejdź do stopki
ASPTA Baner

Tom 12 Nr 3-4 (2013)

Artykuły

Zastosowanie liniowej analizy dyskryminacyjnej i sztucznej sieci neuronowej do sortowania suszonych fig w oparciu o właściwości tekstury

DOI: https://doi.org/10.24326/aspta.2013.3-4.1
Przesłane: kwietnia 29, 2022
Opublikowane: 2013-12-31

Abstrakt

Suszone figi są jednym z produktów rolniczych, które wymagają sortowania na etapie po zbiorze ze względu na potrzeby rynku. W Iranie figi są sortowane ręcznie przez wyspecjalizowanych pracowników lub automatycznie przez urządzenia mechaniczne. Niniejsza praca prezentuje nowy algorytm oparty na maszynowej technice wizyjnej zainstalowanej w urządzeniu sortującym figi. W prezentowanej metodyce właściwości tekstury fig uzyskiwane są przy wykorzystaniu algorytmu obróbki obrazu. Niektóre właściwości wybrane za pomocą krokowej liniowej analizy dyskryminacyjnej zostały wprowadzone jako nadrzędne dla rozróżnienia klas suszonych fig. Spośród dziesięciu właściwości, analiza dyskryminacyjna wybrała sześć. Te wybrane właściwości tekstury wprowadzono do sztucznej sieci neuronowej w celu zaimplementowania procesu sortowania fig. Metodyka sieci neuronowych z wykorzystaniem obróbki obrazu wykazała, że wyniki są obiecujące ponieważ ogólna dokładność sortowania fig wyniosła 100%.

Bibliografia

  1. Anonymous, 2010. Iran annual agricultural statistics. Ministry of Jihad-e-Agriculture of Iran; .
  2. Arribas J.I., Sanchez-Ferrero G.V., Ruiz-Ruiz G., Gomez-Gil J., 2011. Leaf classification in sunflower crops by computer vision and neural networks. Computers and Electronics in Agriculture, 78, 9–18.
  3. Amiriparian J., Khoshtaqaza M.H., Kabir E., Minaee S., 2008. Volume Estimation of Potatoes using Image Processing. Journal of Agricultural Engineering Research, 8(4), 113–126.
  4. Blasco J., Aleixos N., Molto E., 2003. Machine vision system for automatic grading of fruit. Biosystem Eng. 84(4), 415–423.
  5. Burks C.S., Dowell F.E., Xie F., 2000. Measuring fig quality using near-infrared spectroscopy. J. Stored Products Res., 36, 289–296.
  6. Blasco J., Aleixos N., Cubero S., Gmez-Sanchis J., Molt E., 2009. Automatic sorting of Satsuma (Citrus unshiu) segments using computer vision and morphological features. Computers and Electronics in Agric., 66, 1–8.
  7. Blasco J., Cubero S., Gmez-Sanchs J., Mira P., Molt E., 2008. Development of a machine for the automatic sorting of pomegranate (Punica granatum) arils based on computer vision. J. Food Eng., 90 (1), 27–34.
  8. Bulanon D.M., Kataoka T., Ota Y., Hiroma T., 2002. A Segmentation Algorithm for the Automatic Recognition of Fuji Apples at Harvest. Biosystems Eng., 83 (4), 405–412.
  9. Chen Y.R., Chao K.L., Kim M.S., 2002. Machine vision technology for agricultural applications. Computer and Electronic in Agric., 36 (2–3), 173–191.
  10. Dubey B.P., Bhagwat, S.G., Shoucheand S.P., Sainis J.K., 2006. Potential of artificial neural networks in varietal identification using morphometry of wheat grains. Biosystems Eng., 95(1), 61–67.
  11. Dan H., Azuma T., Kohyama K., 2007. Characterization of spatiotemporal stress distribution during food fracture by image texture analysis methods. J. Food Eng., 81(2), 429–436.
  12. Fernandez L,. Castillero C., Aguilera J.M., 2005. An application of image analysis to dehydration of apple discs. J. Food Eng., 67,185–193.
  13. FAO, 2012. http://faostat.fao.org
  14. Ghazanfari A., Irudayaraj J., Kusalik A., Romaniuk M., 1997. Machine vision grading of pistachio nuts using Fourier descriptors. J. Agric. Eng. Res., 68 (3), 247–252.
  15. Gonzalez R., Woods R., 2007. Digital Image Processing, 3rd edition. Prentice-Hall.
  16. Haralick R.M., Shanmugan K., Dinstein I., 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3, 610–621.
  17. Heinemann P.H., Pathare N.P., Morrow T., 1996. An automated inspection station for machinevision grading of potatoes. Machine Vision and Appl. J., 9, 14–19.
  18. Kartikeyan B., Sarkar A., 1991. An identification approach for 2-D autoregressive models in describing textures. Graphical Models and Image Proc., 53,121–131.
  19. Kondo N., Ahmad U., Monta M., Murasc H., 2000. Machine vision based quality evaluation of Iyokan orange fruit using neural networks. Computers and Electronics in Agric., 29, 135–147.
  20. Kopparapu S.K., 2006. Lighting design for machine vision application. Image and Vision Computing, 24 720–726.
  21. Mallahi A., Kataoka T., Okamoto H., Shibat Y., 2010. Detection of potato tubers using an ultraviolet imaging-based machine vision system. Biosystems Eng., 105(2), 257–265.
  22. Mc Rae DC., 1985. A review of development in potato handling. J. Agric. Eng. Res. 31(2), 115–138.
  23. Noordam J.C., Otten G.W., Timmermans A.J.M., Zwol B., 2000. High-speed potato grading and quality inspection based on a color vision system. Proceeding of SPIE – Machine vision application in industrial inspection, VIII, 206–217.
  24. Nasirahmadi A., Behroozi-Khazaei N., 2013. Identification of bean varieties according to color features using artificial neural network. Spanish J. Agric. Res., 11(3), 670–677.
  25. Park B., Chen Y.R., 2001. Co-occurrence Matrix Texture Features of Multi-spectral Images on Poultry Carcasses. J. Agric. Eng. Res. 78 (2), 127–139.
  26. Poggio T., Girosi F., 1990. Networks for approximation and learning. Proceedings of the IEEE, 78 (9), 1481–1497.
  27. Pearson T., Toyofuku N., 2000. Automated sorting of pistachio nuts with closed shells. Appl. Eng. Agric., 16 (1), 91–94.
  28. Peres A.M., Baptista P., Malheiro R., Dias L.G., Bento A., Pereira J.A., 2011. Chemometric classification of several olive cultivars from Trás-os-Montes region (northeast of Portugal) using artificial neural networks. Chemometrics and Intelligent Laboratory Systems, 105, 65–73.
  29. Shearer S.A., Holmes R.G., 1990. Plant identification using color co-occurrence matrices. Transactions of the ASAE, 33 (6), 2037–2044.
  30. Souri S., Zare D., Loghavi M., 2011. Design, fabrication and evaluation of a moisture-based fig sorter. EJPAU, 14 (4), www.ejpau.media.pl
  31. Slavin J.L., 2006. Figs: past, present and future. Nutrition today, 41, 180–184.
  32. Solomon A., Golubowicz S., Yablowicz Z., Grossman S., Bergman M., Gottlieb H.E., Altman A., Kerem Z., Flaishman M.A., 2006. Antioxidant activities and anthocyanin content of fresh fruits of common fig (Ficus carica L.). J. Agric. Food Chem., 54, 7717–7723.
  33. Sahin F., 1997. A radial basis function approach to a color image classification problem in a real time industrial application. Master’s thesis, Virginia Polytechnic Institute, Blacksburg.
  34. Leemans V., Destain M.F., 2004. A real-time grading method of apple based on features extracted from defects. J. Food Eng., 61, 83–89.
  35. Leemans V., Magein H., Destain M.F., 1999. Defects segmentation on ‘Golden Delicious’ apples by using color machine vision. Computers and Electronics in Agric., 20, 117–130.
  36. Letal J., Jirak D., Hajek M., 2003. MRI ‘texture’ analysis of MR images of apples during ripening and storage. Food Sci. Technol., 36 (7), 719–727.
  37. Tabatabaeefar A., Vefagh-Nematolahee A., Rajabipour A., 2000. Modeling of orange based on dimensions. J. Agr. Sci. Tech., 2, 299–305.
  38. Rocha A., Hauagge D.C., Wainer J., Goldenstein S., 2010. Automatic fruit and vegetable classification from images. Computers and Electronics in Agric., 70, 96–104.
  39. Veberic R., Colarica M., Stampar F., 2008. Phenolic acids and flavonoids of fig fruit (Ficus carica L.) in the northern Mediterranean region. Food Chem., 106, 153–157.
  40. Zhao-yan L., Fang C., 2005. Identification of rice seed varieties using neural network. J. Zhejiang Univ. Sci., 6.
  41. Zhang X., Li D., Yang W., Wang J., Liu SH., 2011. A fast segmentation method for highresolution color images of foreign fibers in cotton. Computers and Electronics in Agric., 78, 71–79
  42. Zayas I.Y., 1993. Digital image texture analysis for bread crumb grain evaluation. Cereal Food World, 38(10), 760–766.

Downloads

Download data is not yet available.

Podobne artykuły

<< < 2 3 4 5 6 7 8 9 > >> 

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.