تشخیص دقیق خرابی میوه در محصولات کشاورزی با استفاده از یک الگوریتم بهینه

Subject Areas : Information and communication technology in agriculture

حمیدرضا صابرکاری ¹

1 - گروه مهندسی برق، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

Received: 2015-08-28 Accepted : 2015-10-03 Published : 2016-06-01

Keywords: میوه, نویز, خرابی, تبدیل DCT, پردازش تصویر,

Abstract :

 هدف اصلی این مقاله معرفی یک الگوریتم بهینه برای تشخیص خرابی میوه­ها در محصولات کشاورزی است. ابتدا، تصویر ورودی با استفاده از مدل ترکیبی فیلرینگ تطبیق بلوک سه­بعدی و آنالیز مولفه­های اصلی نویززدایی می­شود. سپس به منظور کاهش ابعاد تصویر و در نتیجه بهبود سرعت پردازش، الگوریتم بهبودیافته تبدیل کسینوسی گسسته مورد استفاده قرار می­گیرد. نهایتا الگوریتم خوشه­بندی فازی با اطلاعات مکانی بر روی تصویر فشرده شده اعمال می­شود. نتایج پیاده­سازی در محیط نرم­افزار متلب و بر اساس تصاویر جمع­آوری شده توسط نویسنده نشان می­دهد که الگوریتم پیشنهادی از قابلیت بالایی در حذف نویز برخوردار است. همچنین در این الگوریتم تشخیص نواحی خراب در میوه در مقایسه با سایر روش­های متداول با دقت بالاتری صورت می­پذیرد. مزیت عمده الگوریتم پیشنهادی سرعت بالای آن بوده بطوریکه استفاده از آنرا برای کاربردهای بلادرنگ امکان­پذیر می­سازد.

References:

1- Abbot, J.A. (1999). Quality Measurement of fruits and vegetables. Postharvest Biology and Technology, 15, 207-225.

2- Ahmed, M.N., Yamany, S.M., Mohamed, N., & Farag, A. (2002). A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data. IEEE Transactions on Medical Imaging, 21, 193–199.

3- Arumugam, N., Mohamed Arshad, F., Chiew, E., & Mohamed, Z. (2011). Determinates of fresh fruits and vegetables (FFV) farmers participation in contrast farming in Peninsular Malaysia. International Jornal of Agricultural Management and Development, 1(2), 65-71.

4- Bezdek, J.C. (1987). Pattern recognition with fuzzy objective function algorithms. New York/ London, UK, Plenum.

5- Brosnan, T., & Sun, D.W. (2002). Inspection and grading of agriculture and food products by computer vision system-A reviews, Computer and Electronic in Agriculture. 36, 193-213.

6- Charles, D., Salmon, J., & Dalalyam, A. (2011). Image denoising with patch based PCA: local versus global. In Jesse Hoey, Stephen McKenna and Emanuele Trucco, Proceedings of the British Machine Vision Conference, pages 25.1-25.10. BMVA Press.

7- Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K. (2009). BM3D image denoising with shapeadaptive principle component analysis. PROC. Workshop on signal processing with adaptive sparse structured presentations (SPARS’09).

8- Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Pointwise shape-adaptive DCT for high-quality denoising and deblocking of grayscale and color images. IEEE Transactions on Image Processing. 16, 1395.1411.

9- Graves, M., & Batchelor, B. (2003). Machine vision for the inspection of Natural products. London, Springer.

10- Halls, L., Evans, S., & Nott, K. (1998). Measurement of textural changes of food by MRI relaxometry. Magnetic Resonance Imaging, 16, 485-492.

11- Hills, B. (1995). Food processing and MRI perspective. Trends in Food Science and Technology. 6, 111-117.

12- Izadbakhshi, M., & Javadikia, H. (2014). Application of hybrid feed-forward neural network (ffnn)- genetic algorithm for predicting evaporation in storage dam reservoirs. Agricultural Communications, 2, 57-62.

13- Knaus, C., & Zwicker, M. (2014). Progressive image denoising. IEEE Transactions on Image Processing, 23, 3114-3125.

14- Lehmussola, A., Ruusuvuori, P., & Yli-Harja, O. (2006). Evaluating the performance of microarray segmentation algorithms. Bioinformatics, 22(23), 2910-2917.

15- Linker, R., Cohen, O., & Naor, A. (2012). Determination of the number of green apples in RGB images recorded in orchards. Computers and Electronics in Agriculture, 81, 45–57.

16- Malamas, E.N., Petrakis, E.G.M., Zervakis, M.,Petit, L., & Legat, J.D. (2003). A survey on industrial vision systems, applications and tools. Image and Vision Computing, 21,171–188.

17- Mizushima, A., & R. Lu. (2013). An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method. Computers and Electronics in Agriculture, 94, 29–37.

18- Moradi, G., Shamsi, M., Sedaghi, M. H., & Alsharif, M.R. (2011, April). Fruit defect detection from color images using ACM and MFCM algorithms. International Conference on Electronic Devices, Systems and Applications (lCEDSA), 2011 International Conference on (pp. 182- 186). IEEE.

19- Moradi. G., Shamsi, M., Sedaaghi, M.H. Moradi, S., & Alsharif, M. R. (2012). Apple defect detection using statistical histogram based EM algorithm. 19^th Iranian Conference on Electrical Engineering (ICEE).

20- Payne, A.B. Walsh, K.B., Subedi, P.P., & Jarvis, D. (2013). Estimation of mango crop yield using image analysis– Segmentation method. Computers and Electronics in Agriculture, 91, 57–64.

21- Rakun, J., Stajnko, D., & Zazula, D. (2011). Detecting fruits in natural scenes by using spatialfrequency based texture analysis and multiview geometry. Computers and Electronics in Agriculture, 76, 80-88.

22- Romano, G. Argyropoulos, D., Nagle, M., Khan, M.T., & Muller, J. (2012). Combination of digital images and laser light to predict moisture content and color of bell pepper simultaneously during drying. Journal of Food Engineering, 119, 438–448.

23- Saberkari, H., & Shamsi, M. (2012). Comparison of different algorithms for ECG signal compression based on transfer coding. IEEE Symposium on Industrial Electronics and Applications (ISIEA 2012), 23-26.

24- Saberkari, H., Bahrami, S., Shamsi, M., Amoshahy, M.J., Badri Ghavifekr, H., & Sedaaghi, M.H. (2015). Fully automated complementary DNA microarray segmentation using a novel fuzzy-based algorithm. Journal of Medical Signals and Sensors, 5(3), 182-191.

25- Huynh-Thu, Q., & Ghanbari, M. (2008). Scope of validity of PSNR in image/video quality assessment. Electronics Letters, 44(13), 800-801.