| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,828 |
| تعداد مقالات | 32,031 |
| تعداد مشاهده مقاله | 40,821,152 |
| تعداد دریافت فایل اصل مقاله | 18,073,793 |
برآورد حجم سیب‌زمینی با استفاده از پردازش تصویر | ||
| تحقیقات مهندسی سازه های آبیاری و زهکشی | ||
| مقاله 8، دوره 8، شماره 4، اسفند 1386، صفحه 113-126 اصل مقاله (501.8 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| جعفر امیری‌پریان1؛ محمدهادی خوش‌تقاضا2؛ احسان‌الله کبیر3؛ سعید مینایی* 2 | ||
| 1دانشجوی سابق دکتری دانشگاه تربیت مدرس | ||
| 2دانشیار دانشگاه تربیت مدرس | ||
| 3استاد دانشگاه تربیت مدرس | ||
| چکیده | ||
| محاسبة حجم محصولات کشاورزی به روش ریاضی، به دلیل شکل هندسی نامنظم آنها چندان دقیق نیست. یکی از راه‌حل‌های ممکن، پردازش تصویر در ماشین‌های جداساز پیوسته بر اساس بینایی ماشین است. هدف از این تحقیق، یافتن روشی مناسب برای برآورد حجم سیب‌زمینی با استفاده از پردازش تصویر است. به کمک یک دوربین دیجیتال و یک آینة تخت، از هر نمونه تنها یک تصویر از دو نمای آن تهیه شد. با کاربرد نرم‌افزار MATLAB®، تصاویر پردازش و ابعاد سیب‌زمینی بر حسب موقعیت لبه در ماتریس تصویر اندازه‌گیری شد. در این پژوهش حجم سیب‌زمینی پس از تصویربرداری، با دو روش برآورد شد: روش اول، تعیین رابطة تجربی مبتنی بر برآورد حجم بر اساس سه قطر اصلی و روش دوم، تقسیم تصویر به قطعات کوچکتر به شکل مخروط ناقص با مقطع بیضی و برآورد حجم از مجموع حجم قطعات. اندازة سه قطر اصلی و طول قطعات مخروط ناقص، با پردازش تصویر تعیین شدند. با انداه‌گیری حجم واقعی سیب‌زمینی از طریق جابهجایی آب، میزان خطای هر دو روش محاسبه و مقایسه شد. در این تحقیق، 50 عدد سیب‌زمینی (رقم مارفونا) بهعنوان نمونه‌های مورد آزمایش انتخاب شدند. نتایج نشان داد که روش تقسیم تصویر به 64 قسمت، حجم را با دقت بسیار بالاتری (خطای حدود 15/8 درصد) نسبت به روش رابطة تجربی (خطای 5/20 درصد) برآورد می‌کند. بنابراین، برای درجه‌بندی سیب‌زمینی بر اساس حجم، روش تقسیم تصویر به عنوان روش کاربردی پیشنهاد می‌شود. | ||
| کلیدواژه‌ها | ||
| بینایی ماشین؛ درجه‌بندی؛ قطر اصلی؛ مخروط ناقص | ||
| مراجع | ||
|
Blasco, J., Aleixos, N. and Molto, E. 2003. Machine vision system for automatic quality grading of fruit. Biosystems Eng. 85(4): 415-423.
Brosnan, T. and Sun, D. W. 2002. Inspection and grading of agricultural and food products by computer vision systems- a review. Computers and Electronics in Agric. 36, 193-213.
Du, C. J. and Sun, D. W. 2006. Estimating the surface area and volume of ellipsoidal ham using computer vision. J. Food Eng. 73(3): 260-268.
Forbes, K. 2000. Volume estimation of fruit from digital profile image. M. Sc. Thesis of Electronic Engineering. Cape Town University. Cape Town. South Africa.
Gonzalez, R. C. and Wintz, P. 1979. Digital Image Processing. Addision-Wesley Pub. Co.
Hesari, J. 2003. Canning Industry: Principles and Practices. Tabriz University Press. Tabriz. Iran. (in Farsi)
Leemans, V., Magein, H. and Destain, M. F. 2002. On-line fruit grading according to their external quality using machine vision. Biosystems Eng. 83(4): 397-404.
Marchant, J. A. 1990. A mechatronic approach to produce grading. In Rzevski, G. (Ed.). Mechatronics: Designing Intelligent Machines.
Mc Rae, D. C. 1985. A review of developments in potato handling and grading. J. Agric. Eng. Res. 31(2): 115-138.
Miller, W. M., Peleg, K. and Briggs, P. 1988. Automatic density separation for freeze-damaged citrus. Applied Eng. in Agric. 4(4): 344-348.
Stroshine, 1998. Physical Properties of Agricultural Materials and Food Products. Department of Agricultural and Biological Engineering Purdue University West Lafayette. Indiana. | ||
|
آمار تعداد مشاهده مقاله: 968 تعداد دریافت فایل اصل مقاله: 444 |
||