نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری رشته مهندسی مکانیک بیوسیستم، گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی. اردبیل. ایران

2 دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

3 دانشیار مؤسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

4 استادیار موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

برای ایجاد اطمینان از عرضۀ پیوستۀ سیب­ زمینی به مصرف­کنندگان و صنایع فرآوری این محصول، ذخیره­ سازی آن ضروری است. هنگام ذخیره­ سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب­ زمینی باعث می­ شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش­ های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکۀ عصبی مصنوعی برای کلاسه­ بندی و مدل­سازی دو نمونه سیب­ زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه ­گیری شده مربوط به ویژگی ­های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی ­های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی­ های رنگی) و 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی­ های بافت) به ‌عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم ­های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا 0/012=RMSE و بیشترین ضریب تبیین 95/01 =R2 درصد مدلی بهینه در طبقه ­بندی (کلاسه­ بندی) دو نمونه سیب ­زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ­ترتیب 89/2 و 87/6 درصد و دقت شناسایی ژنوتیپ کلون 8-397009 به­ترتیب 92/4 و 90/3 درصد به­ دست آمد.

کلیدواژه‌ها

Ahsani, M. J., Mahna, F., & Shokohi-Rostami, A. (2014). An effective method for assessing the quality of potato based machine vision. National Conference on Computer Engineering and Information Technology Management. May 29. Tehran, Iran. (in Persian)
 
Al-Mallahi, A., Kataoka, T., Okamoto, H., & Shibata, Y. (2010). Detection of potato tubers using an ultraviolet imaging-based machine vision system. Journal of Biosystems Engineering. 105, 257- 265.
 
Amiri-Parian, J., Khoshtaghaza, M. H., Kabir, E., & Minaei S. (2008). Volume estimation of potatoes using image processing. Journal of Agricultural Engineering Research, 8(4), 113-126.
 
Basati, Z., Rasekh, M., & Abbaspour-gilandeh, Y. (2018). Using different classification models in wheat grading utilizing visual features. International Agrophysics, 32, 1-11.
 
Basset, O., Buquet, B., Abouelkaram, S., Delachartre, P., & Culioli, J. (2000). Application of texture image analysis for the classification of bovine meat. Food Chemistry, 69(4): 437-445.
 
Blascoa, J., Aleixos, N., Go´mez-Sanchı´s, J., & Molto, E. (2009). Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features. Biosystems Engineering, 103, 137-145.
 
Brosnan, T., & Sun, D. (2004). Improving quality inspection of food products by computer vision-a review. Journal of Food Engineerig, 61, 125–135.
 
Connor, C. J., Fisk, K. J., Smith, B. J., & Melton L. D. (2001). Fat uptake in french fries as affected by different potato varieties and processing. Journal of Food Science, 66(6), 903-908.
 
Dacal-Nieto, A., Vázquez-Fernández, E., Formella, A., Martin, F., & Torres-Guijarro, S. (2009). A genetic algorithm approach for feature selection in potatoes classification by computer vision. Industrial Electronics, 35th Annual Conference of Industrial Electronics. Nov. 3-5. Portugal. 48, 1955–1960.
 
Dowlati, M., Guardia M., & Mohtasebi S. S. (2012). Application of machine-vision techniques to fish-quality assessment. Trac Trends in Analytical Chemistry, 40, 168-179.
 
Du, C. J., & Sun, D. W. (2004). Recent developments in the applications of image processing techniques for food quality evaluation. Trends in Food Science and Technology, 15, 230-249.
 
Du, C. J., & Sun, D. W. (2005). Comparison of three methods for classification of pizza topping using different colour space transformations.Journal of Food Engineering, 68(3), 277-287.
 
ElMasry, G., Cubero, S., Moltó, E., & Blasco, J. (2012). In-line sorting of irregular potatoes by using automated computer-based machine vision system. Journal of Food Engineering, 112, 60-68.
 
Gomez-Galindo, F., Sjöholm, I., Rasmusson, A., Widell, S., & Kaack, K. (2007). plant stress physiology: opportunities and challenges for the food industry. Critical Reviews in Food Science &Nutrition,47, 749-763.
 
Gonzalez, R. C., Woods, R. E., & Eddins, S.L. (2004). Digital Image Processing Using MATLAB. Prentice-Hall Press, USA.
 
Hafezi, N., Sheikhe-Davoodi, M. J., & Sajjadieh, S. M. (2016).  A study of drying rate of sliced potatoes during radiation-vacuum drying process using regression and Artificial Neural Network models. Journal of Biosystem Engineering, 47(2), 279-289. (in Persian)
 
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man andCybernetics SMC, 3(6), 610-621.
 
Huang, Z. K., Hou, L. Y., & Li, Z. H. (2013). Image clustering using graph cuts in LAB color space. International Journal of Digital Content Technology and its Applications, 7(12), 1-7.
 
Izadi, H., Kamgar, S., &  Raoufat, M. H. (2014). Tomato grading system using machine vision technology and neuro-fuzzy networks (ANFIS). Journal of Agricultural Machinery, 6(1): 49-59. (in Persian)
 
Jafarlou, M., & Farrokhi Teimourlou, R. (2014). Estimation of apple volume and its shape indentation using image processing technique and neural network. Journal of Agricultural Machinery, 4(1), 57-64. (in Persian)
 
Kohzadi, N., Boyd, M., Kaastra, I., Kermanshahi, B., & Scuse, D. (1995). Neural networks for forecasting: An introduction. Canadian Journal of Agricultural Economics, 43, 463-474.
 
Li, J., Tan, J., Martz, F. A., & Heymann, H. (1999). Image textural features as indicators of beef tenderness. Meat Science, 53(1): 17-22.
 
Mendoza, F., & Aguilera, J. M. (2004). Application of image analysis for classification of ripening bananas. Journal of Food Science, 69, 471-477.
 
Mendoza, F., Dejmek, P., & Aguilera, J. M. (2007). Colour and image texture analysis in classification of commercial potato chips. Food Research International, 40, 1146-1154.
 
Omid, M., Mahmoudi, A., & Omid M. H. (2010). Development of pistachio sorting system using Principal Component Analysis (PCA) assisted Artificial Neural Network (ANN) of impact acoustics. Expert Systemswith Applications, 37, 7205-7212.
 
Pedreschi, F. (2012). Frying of potatoes: physical, chemical, and microstructural changes. Drying Technology, 30, 707-725.
 
Pedreschi, F., Mery, D., Mendoza, F., & Aguilera, J. M. (2004). Classification of potato chips using pattern recognition. Journal ofFood Science, 69(6), 264-270.
 
Pringle, B., Bishop, C., & Clayton, R. (2009). Potatoes Postharvest. First Edition. CABI, UK.
 
Rady, A. M., & Guyer D. E. (2015). Rapid and/or nondestructive quality evaluation methods for potatoes: A review. Computer and Electronic in Agriculture, 117, 31-48.
 
Razmjooy, N., Mousavi, B. S., & Soleymani, F. (2012). A real-time mathematical computer method for potato inspection using machine vision. Journal of Computers and Mathematics with Applications, 63(1), 268-279.
 
Shouche, S. P., Rastogi, R., Bhagwat, S. G., & Sainis J. K. (2001). Shape analysis of grains of Indian wheat varieties. Computers and Electronics in Agriculture, 33, 55-76.
 
Sola, J., & Sevilla, J. (1997). Importance of data normalization for the application of neural networks to complex industrial problems. IEEE Transactions on Nuclear Science, 44(3), 1464-1468.
 
Spychalla, J. P., & Desborough, S. L. (1990). Fatty acids, membrane permeability, and sugars of stored potato tubers. Plant Physiology, 94, 1207-1213.
 
Su, Q., Kondo, N., Li, M., Sun, H., & Al Riza, F. D. (2017). Potato feature prediction based on machine vision and 3D model rebuilding. Computers and Electronics in Agriculture, 137, 41-51.
 
Tavakoli, M., & Najafzadeh, M. (2015). Application of the image processing technique for separating sprouted potatoes in the sorting line. Journal of Applied Environmental and Biological Sciences, 4(11S), 223-227.
 
Teimouri, N., Omid, M., Mollazade, K., & Rajabipour, A. (2016). Separation of touching almonds and their quality classification by combining image processing and artificial neural networks techniques. Journal of Biosystem Engineering, 46(4), 355-362. (in Persian)
 
Yazdanpanah-Gangachin, M., & Ziaiifar. A. M. (2014). Evaluation of potato chips color using image processing. Journal of Food Research. 24(2), 239-247. (in Persian)
 
Zhao-Yan, L., & Fang, C. (2005). Identification of rice seed varieties using neural network. Journal of Zhejiang University Science. 6B(11), 1095-1100.
 
Zhou, L., Chalana, V., & Kim, Y. (1998). PC-based machine vision system for real-time computer-aided potato inspection. Image Computing Systems Laboratory, Department of Electrical Engineering, 9(6), 423-433.