آشکارسازی نواقص پوسته تخم مرغ با استفاده از مدل محاسباتی تشخیص برجستگی تصاویر مبتنی بر سیستم بینایی انسان

الموضوعات :

مسعود خزائی فدافن ¹ ( گروه الکترونیک ، دانشکده مهندسی برق و کامپیوتر ، دانشگاه بیرجند ، بیرجند ، ایران )
ناصر مهرشاد ² ( گروه الکترونیک ،دانشکده مهندسی برق و کامپیوتر ، دانشگاه بیرجند،بیرجند ، ایران )
محمد رضوی ³ ( گروه الکترونیک ، دانشکده مهندسی برق و کامپیوتر ، دانشگاه بیرجند ، بیرجند ، ایران )

تاريخ الإرسال : 12 السبت , ربيع الثاني, 1439 تاريخ التأكيد : 14 الأربعاء , جمادى الأولى, 1439 تاريخ الإصدار : 13 الأحد , محرم, 1440

الکلمات المفتاحية: پردازش تصویر, کیفیت تخم مرغ, سیستم بینایی انسان, مدل محاسباتی سلول ساده,

ملخص المقالة :

چکیده : باتوجه به افزایش انتظارات مصرف کنندگان در ارتباط با کیفیت محصولات غذایی، ارزیابی دقیق و سریع این محصولات از اهمیت ویژه ای برخوردار است . تکنیکهای پردازش تصویر امکان نظارت غیرمخرب بر صنایع غذایی را فراهم کرده است . در این تحقیق الگوریتمی توانمند برای آشکارسازی نواقص پوسته تخم مرغ مبتنی بر مدل محاسباتی سیستم بینایی انسان و بر اساس حساسیت سریع سیستم بینایی انسان به محرکهای شدت روشنائی ،جهت و رنگ ارائه شده است . روش پیشنهادی و چهار مدل از روشهای موجود در تشخیص برجستگی تصاویر بر روی تعدادی از تصاویر با نرم افزار Matlab R2013a در محیط Windows7 با پردازنده 5/2 گیگاهرتز و حافظهRAM 4 گیگاهرتز پیاده سازی شدند . برای پیاده سازی روش پیشنهادی، مدل محاسباتی سیستم بینایی موجود در الگوریتم در سه مقیاس و شش جهت در نظر گرفته شد. نتایج حاصله که براساس مقایسه دیداری نتایج ، رسم منحنی ROC و محاسبه AUC مدلها بودند ، عملکرد مطلوب الگوریتم پیشنهادی را نسبت به سایر الگوریتمها نشان داد .

المصادر:

 

1.Khojastehkey, M., Lotfollahian, H., Kalantar Neyestanaki, M. Weight estimation, shape index determination and shell contamination

detection of hen egg using machine vision methods. Livestock Research. 2016;5(2):17-24.

2. Wang Q, Deng X, Ren Y, Ding Y, Xiong L, Wen Y, et al. Egg freshness detection based on digital image technology. Scientific Research and Essays. 2009;4(10):1073-9.

3. Lunadei, L., Ruiz-Garcia, L., Bodria, L., Guidetti, R. Automatic identification of defects on eggshell through a multispectral vision system. Food and Bioprocess Technology. 2012;5(8):3042-50.

4. García-Alegre, MC., Ribeiro, A., Guinea, D., Cristóbal, G., editors. Color index analysis for automatic detection of eggshell defects. Proc SPIE; 2000.

5. Sadrnia, H., Rajabipour, A., Jafary, A., Javadi, A., Mostofi, Y. Classification and analysis of fruit shapes in long type watermelon using image processing. Int J Agric Biol. 2007;1:68-70.

6. Al-Hiary, H., Bani-Ahmad, S., Reyalat, M., Braik, M., ALRahamneh, Z. Fast and accurate detection and classification of plant diseases. Machine learning. 2011;14(5).

7. Bhuvaneshwari, M., Scholar, P. Improvement in detection of chicken egg fertility using image processing techniques. International Journal on Engineering Technology and Sciences. 2015;2(4):64-7.

8. Ibrahim, R., Zin, ZM ,. Nadzri, N., Shamsudin, M., Zainudin, M., editors. Egg’s grade classification and dirt inspection using image processing techniques. Proceedings of the World Congress on Engineering; 2012.

9. dosty irani, M., golzarian, M. Design and evaluation of an image processing algorithm for estimation of steaks’ fat content. 2015.

10. Kapare Avinash, A., Mahangare Tushar, T., Pawar Nitesh, D., Patane Yogesh, B. Egg Freshness Detection Based On Digital Image

Processing. 2017;4(2).

11. Mohana,  S., Prabhakar, C., Praveen Kumar, P, editors. Surface Defect Detection and Grading of Apples. Proc of Int Conf on Multimedia Processing, Communication& Info Tech, MPCIT; 2013.

12. Al-Marakeby, A., Aly,  AA., Salem, FA. Fast quality inspection of food products using computer vision. Int J Adv Res Comput Commun Eng. 2013;2(11):4168-71.

13. Jin, J., Li, J., Liao, G., Yu, X., Viray, LCC, editors. 3. Methodology for potatoes defects detection with computer vision. International symposium on information processing; 2009.

14. Chaji, N., Ghassemian, H. Texture-gradient-based contour detection. EURASIP Journal on Applied Signal Processing. 2006;2006:5-.

15. Grigorescu, C.,  Petkov, N., Westenberg MA. Contour detection based on nonclassical receptive field inhibition. IEEE Transactions on Image Processing. 2003;12(7):729-39.

16. Grigorescu, SE., Petkov, N., Kruizinga, P. Comparison of texture features based on Gabor filters. IEEE Transactions on Image processing. 2002;11(10):1160-7.

17. Itti, L., Koch, C., Niebur, E. A model of saliency- based visual attention for rapid scene analysis. IEEE Transactions on pattern analysis and machine intelligence. 1998;20(11):1254-9.

18. Achanta, R., Hemami, S., Estrada, F, Susstrunk S, editors. Frequency-tuned salient region detection. Computer vision and pattern recognition, 2009 cvpr 2009 ieee conference on 2009 IEEE.19. Hou X, Zhang L, editors. Saliency detection: A spectral residual approach. Computer Vision and Pattern Recognition, 2007 CVPR'07 IEEE Conference on; 2007: IEEE.

20. Zhang, L., Gu, Z., Li, H., editors. SDSP: A novel saliency detection method by combining

 

  simple priors. Image Processing (ICIP), 2013: 20^thIEEE International Conference on: 2013 :IEEE

 

 

 

.