Ripening Detection of Red delicious apples using Machine Vision System

Amirseyyedi, Leyla (2017) Ripening Detection of Red delicious apples using Machine Vision System. Masters thesis, University of Mohaghegh Ardabili.

[img]
Preview
Text (تشخیص رسیدگی سیب رد دلیشیز (Red delicious) با استفاده از سیستم بینایی ماشین)
Leyla Amirseyyedi.pdf

Download (474kB) | Preview
Official URL: http://www.uma.ac.ir

Abstract

Today, with the advancement of technology, there are new trends in science that help us to achieve our goals, and one of these branches is the vision of the machine. In order to get familiar with the machine vision, you need to know the types of sensors, lighting, image processing, and visual facilitation techniques that require a lot of research and study. This technology is hundreds of times more accurate, quicker and more functional than the human eye with the least error. Therefore, it is very practical in various industries and agriculture, so there is a lot of research on various topics in this field and it is still expanding. In this study, we tried to use the ability of this system. For this purpose, the analysis of Lebanese red apple juice has been considered. Using RGB color model and texture indices, the R2016a version of the MATLAB image processing toolkit has been reviewed. For this purpose, a Canon 450D camera was used for shooting and from a dome-shaped chamber with LED light sources and fluorescents to create as much natural light conditions as possible, and with the same reasoning, the combined lighting conditions were used, so that each apple 31 color images were taken with various lighting. On the other hand, 5 laboratory indices were calculated to increase the accuracy of work and also to determine the correlation between laboratory indices and visual machine indexes. Finally, the correlation between all the indices was determined using the neural network classifier and the highest correlation was found between the soluble solids index and the visual model of the car model (R2 = 0.94). On the other hand, the correlation coefficient was evaluated using the spss software and ANOVA and Pearson analytical methods. All data were classified into three groups of visual machine indicators, laboratory indices and visual-laboratory machine indicators separately using Discriminant Analysis, a linear classifier, and the classification results were 98.3% , 93.3% and 98.3% , respectively.

Item Type: Thesis (Masters)
Persian Title: تشخیص رسیدگی سیب رد دلیشیز (Red delicious) با استفاده از سیستم بینایی ماشین
Persian Abstract: امروزه با پیشرفت فناوری گرایش های تازه ای از علوم به وجود آمده اند که ما را برای رسیدن به اهدافمان یاری می¬کنند و یکی از این شاخه¬ها، بینایی ماشین می¬باشد. این فناوری صدها برابر از چشم انسان دقیق تر، سریع تر و عملکردی با کمترین خطا دارد. در پژوهش حاضر نیز سعی شده است از توانایی این سیستم بهره گرفته شود. به همین منظور تحلیل رسیدگی سیب قرمز لبنانی مدنظر قرار داده شده و با استفاده از مدل رنگ RGB و شاخصهای بافتی به کمک جعبه ابزار پردازش تصویر نرم افزار متلب نسخه R2016a مورد بررسی واقع شده است. بدین منظور از یک دوربین Canon مدل 450D برای تصویربرداری و از محفظه ای گنبدی شکل با منابع نور ال ای دی و فلورسنت استفاده شد تا در حد امکان شرایط نور طبیعی ایجاد شود و با همین استدلال از شرایط نورپردازی ترکیبی استفاده شد به طوریکه از هر سیب 31 تصویر رنگی با نورپردازیهای مختلف گرفته شد. از طرفی، 5 شاخص آزمایشگاهی نیز جهت افزایش دقت کار و همچنین تعیین میزان همبستگی بین شاخص¬های آزمایشگاهی و شاخص¬های بینایی¬ماشین ، محاسبه شدند. درنهایت همبستگی بین همه شاخص‌ها به کمک کلاسیفایر شبکه عصبی تعیین شد و بیشترین میزان همبستگی، بین شاخص میزان مواد جامد محلول با شاخص مدل رنگ بینایی¬ماشین به میزان (94/0=R2) مشاهده گردید. از طرفی، میزان همبستگی به کمک نرم افزار spss و با روش تحلیلی آنووا و پیرسون نیز مورد بررسی واقع شد. همچنین تمامی داده ها در سه گروه شاخص¬های بینایی¬ماشین ، شاخص¬های آزمایشگاهی و شاخص¬های بینایی¬ماشین – آزمایشگاهی، جداگانه با استفاده از تحلیل تمییزی (Discriminant Analysis) که یک کلاسیفایر خطی می¬باشد، طبقه¬بندی شدند و نتایج طبقه بندی به ترتیب 3/98%، 3/93% و 3/98% شد.
Supervisor:
SupervisorE-mail
Abbaspour Gilandeh, YousefUNSPECIFIED
Advisor:
AdvisorE-mail
Ghanbari, AlirezaUNSPECIFIED
Maleki Lajayer, HasanUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 06 Oct 2018 13:54
Last Modified: 06 Oct 2018 13:54
URI: http://repository.uma.ac.ir/id/eprint/406

Actions (login required)

View Item View Item