Online apple grading using image processing and artificial intelligence

Farhadi, Sonyia (2019) Online apple grading using image processing and artificial intelligence. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
1575098382318_سونیا فرهادی.pdf

Download (469kB)
Official URL: http://uma.ac.ir/

Abstract

Research Aim:Iran is the seventh largest apple producer in the world with 1.7 million tonnes of apples.Improper sorting results in the waste of a large part of the product and results in a waste of cost, time and labor. Today, the visual machine is one of the most basic methods used to identify and rate products. In this study, in addition to investigating the physical, mechanical and chemical properties of Golden Delicious apples,we investigated the relationship between these properties and the color parameters of the apples and also performed an algorithm for online detection of stained and crushed apples from healthy apples. Research method:Experiments and measure ofphysical, mechanical and chemical were carried out using a fruit sorting machine. Matlab software was used for writing the online image processing algorithm based on Apple Golden Delicious. Also part of the validation step of the algorithm was written using artificial neural network and part with MSTATC software and factorial test in a completely randomized design. Findings: The results showed that RGB color space conditions, moonlight and 0.2 m/s were desirabile for optimum online detection.Also the highest correlation coefficient was related to the red color of RGB images taken from apple sample with its pH value. Also found that the best neural network structure for predicting optimum imaging conditions is the use of 10 neurons in the hidden layer which achieved 0.972 correlation in the neural network test. Conclusion:Finally, the system was evaluated according to its intended purpose, which was able to accurately isolate 92.5% of healthy apples from stained apples.

Item Type: Thesis (Masters)
Persian Title: درجه‌بندی برخط سیب با استفاده از پردازش تصویر و هوش مصنوعی
Persian Abstract: هدف:ایران با تولید 7/1 میلیون تن سیب هفتمین تولیدکننده سیب در جهان محسوب می‌شود. سورتینگ نامناسب باعث هدر رفت بخش عمده‌ای از محصول شده و منجر به اتلاف هزینه، زمان و توان کارگری می‌شود. امروزه بینایی ماشین از اساسی‌ترینروش‌های مورد استفاده برای تشخیص و درجه‌بندی محصولات به شمار می‌رود. در این مطالعه علاوه بر بررسی خواص فیزیکی، مکانیکی و شیمیایی سیب گلدن دلیشز ارتباط این خواص با پارامترهای رنگی سیب بررسی و همچنین اقدام به نگارش الگوریتمی برای تشخیص آنلاین سیب‌هایلکه‌دار و لهیده از سیب‌های سالم شده است. روش‌شناسی پژوهش: آزمایش¬ها به صورت تجربی و با اندازه¬گیری خواص فیزیکی، مکانیکی و شیمیایی محصول سیب و همچنین به کمک دستگاه سورتینگ میوه انجام شد. برای نگارش الگوریتم مبتنی بر پردازش تصویر آنلاین سیب گلدن دلیشز از نرم¬افزار متلب استفاده شد. همچنین بخشی از مرحله اعتبارسنجی الگوریتم به کمک شبکه عصبی مصنوعی و بخشی به کمک نرم¬افزارMSTATCو آزمون فاکتوریل در قالب طرح کاملاً تصادفی انجام گرفت. یافته‌ها:نتایج نشان دادشرایط فضای رنگی RGB، نور مهتابی و سرعت 2/0 متر بر ثانیه برای تشخیص آنلاین مطلوب است. همچنین بالاترین ضریب همبستگی مربوط به رنگ قرمز تصاویر RGB گرفته‌شده از نمونهبا مقدار PHسیب بدست آمد. همچنینمشخص شد بهترین ساختار شبکه عصبی برای پیش¬بینی شرایط بهینه تصویربرداری، استفاده از 10 نرون در لایه پنهان می‌باشد که همبستگی در آزمون شبکه عصبی 972/0حاصل شد. نتیجه‌گیری:در نهایت سیستم بر اساس هدفی که برای آن تعیین شده بود مورد ارزیابی قرار گرفت که توانست با دقت کلی 5/92 درصد سیب‌های سالم را از سیب‌های لکه‌دارجدا نماید.
Supervisor:
SupervisorE-mail
Golmohammadi, AbdollahUNSPECIFIED
Advisor:
AdvisorE-mail
Pourdarbani, RaziehUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
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
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 06 Jun 2020 09:02
Last Modified: 06 Jun 2020 09:02
URI: http://repository.uma.ac.ir/id/eprint/11470

Actions (login required)

View Item View Item