تعیین حجم و جرم لیمو با استفاده از سیستم ماشین بینایی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران

2 دانشیار دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران

3 استاد دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران

چکیده

خواص فیزیکی محصولات کشاورزی از مهمترین پارامترهای طراحی سیستم‌های بسته‌بندی، فراوری، انتقال، و درجه‌بندی هستند.  در میان این خواص حجم، جرم، سطح تصویر شده، و مرکز ثقل محصولات از عوامل مهم در سیستم‌های سایز‌بندی هستند.  در این مطالعه، از روشقطعه‌بندی با استفاده از سیستم ماشین بینایی برای تخمین حجم لیمو استفاده شده است.  در مجموع 50 لیمو مورد آزمون قرار گرفت.  سیستم ماشین بینایی طراحی شده شامل دو عدد دوربین CCD، دو عدد کارت تصویرگیر، یک سیستم نورپردازی، و یک کامپیوتر شخصی است.  دوربین­ها با زاویة 90 درجه نسبت به هم قرار گرفته­اند تا دو تصویر عمود بر هم از لیمو تهیه کنند.  حجم محاسبه شده با این روش با حجم واقعی اندازه‌گیری شده با روش جابه­جایی آب با آزمون t و نیز آزمونبلاند-آلتمن مقایسه شد.  حجم محاسبه شده با روش ماشین بینایی با حجم واقعی اختلاف معنی­داری نداشت (05/0 p>).  اختلاف میانگین بین روش جابه­جایی آب با روش ماشین بینایی 06/0 سانتی‌متر مکعببود.  نتایج خصوصیتی لیموها نشان داد که پارامترهای حجم محاسبه شده (V) و جرم اندازه­گیری شده لیموها(M) وابستگی خوبی نسبت به هم،  و با ضریب تبیین، 96/0، دارند.  در کل، روش ماشین بینایی به عنوان روشی ساده، دقیق،سریع، و غیر مخرب برای تخمین حجم و جرم لیمو و سایر مرکبات پیشنهاد می­شود. 

Abbasgholipour, M., Omid, M. and Borghei, A. M. 2006. Development of an efficient algorithm for grading raisins based on color features. Proceedings of International conferance on Innovations in Food and Bioprocess Technologies. Dec. 12-14. AIT. Thailand. 448-457.

Akar, R. and Aydin, C. 2005. Some physical properties of Gumbo fruit varieties. J. Food Eng. 66, 387-393.

Amiri Parian, J., Khoshtaghaza, M. H., Kabir, E. and Minaei, S. 2007. Volume estimation of potatoes using image processing. JAER. 8(4): 113-126. (in Farsi)

Aydine, C. and Musa Ozcan, M. 2007. Determination of nutritional and physical properties of myrtle (Myrtus Communis L.) fruit growing wild in Turkey. J. Food Eng. 79, 453-458.

Bailey, D. G., Mercer, K. A., Plaw, C., Ball, R. and Barraclough, H. 2004. High speed weight estimation by image analysis. In: Mukhopadhyay, S. C., Browne, R. F. and Gupta, G. S. (Eds.) Proceedings of the 2004 New Zealand National Conference on Non Destructive Testing. July 27-29. Palmerston North. New Zealand. 89-96.

Bland, J. M. and Altman, D. G. 1999. Measuring agreement in method comparison studies. Stat. Methods Med. Res. 8, 135-160.

Forbes, K. A. and Tattersfield, G. M. 1999. Estimating fruit volume from digital images. AFRICON. Cape Town: South Africa. IEEE(1): 107-112.

Hahn, F. and Sanchez, S. 2000. Carrot volume evaluation using imaging algorithms. J. Agric. Eng. Res. 75, 243-249.

Hall, A. J., McPherson, H. G., Crawford, R. A. and Seager, N. G. 1996. Using early season measurements to estimate fruit volume at harvest in kiwifruit. N. Z. J. Crop Hortic. Sci. 24, 379–391.

Jafari, A. A., Mohtasebi, S., Eghbali Jahromi, H. and Omid, M. 2006. Weed detection in sugar beet fields using machine vision. Int. J. Agri. Biol. 8(5): 602-605.

Koc, A. B. 2007. Determination of watermelon volume using ellipsoid approximation and image processing. Postharvest Biol. Technol. 45, 366-371.

Lee, W. S., Slaughter, D. C. and Giles, D. K. 1999. Robotic weed control system for tomatoes. Precision Agric. 1, 95-113.

Lorestani, A. N., Omid, M., Bagheri Shooraki, S., Borghei, A. M. and Tabatabaeefar, A. 2006. Design and evaluation of a fuzzy logic based decision support system for grading of Golden Delicious apples. Int. J. Agric. Biol. 8(4): 440-444.

Majumdar, S. and Jayas, D. S. 2000. Classification of cereal grains using machine vision: II- Color models. ASAE. 43(6): 1677-1680.

Ngouajio, M., Kirk, W. and Goldy, R. 2003. A simple model for rapid and nondestructive estimation of bell pepper fruit volume. Hortic. Sci. 38, 509-511.

Paliwal, J., Borhan, M. S. and Jayas, D. S. 2003. Classification of cereal grains using a flatbed scanner. ASAE. Paper No. 036103. St. Joseph. MI 49085-9659. USA.

Sabliov, C. M., Boldor, D., Keener, K. M. and Farkas, B. E. 2002. Image processing method to determine surface area and volume of axi-symmetric agricultural products. Int. J. Food Prop. 5, 641-653.

Safwat, M. and Moustafa, A. 1971. Theoretical prediction of volume, surface area, and center of gravity for agricultural products. Trans. ASAE. 14(2): 549-553.

Shahin, M. A. and Symons, S. J. 2001. A machine vision system for grading lentils.  Canadian Biosys. Eng. 7, 7-14.

Shahin, M. A., Symons, S. J. and Meng, A. X. 2004. Seed Sizing with Image Analysis. ASAE. Paper No. 043121. St. Joseph. MI 49085-9659. USA.

Shigeta, K., Motonaga, Y., Kida, T. and Matsuo, M. 2004. Distinguishing damaged and undamaged chaff in rice whole crop silage by image processing. ASAE Annual Meeting. Paper No. 043125.

Szirtes, T. 2006. Applied Dimensional Analysis and Modeling. 2nd Ed. Elsevier Science & Technology Books. Butterworth Heinemann.

Tabatabaeefar, A. and Rajabipour, A. 2005. Modeling the mass of apples by its geometrical attributes. Scientia Hortic. 105, 373-382.

Wang, T. Y. and Nguang, S. K. 2007. Low cost sensor for volume and surface area computation of axi-symmetric agricultural products. J. Food Eng. 79, 870-877.

Wilhelm, L. R., Suter, D. A. and Brusewitz, G. H. 2005. Physical properties of food materials. Food Proc. Eng. Technol. ASAE. St. Joseph. MI 49085-9659. USA. 23-52.

Wright, M. E., Tappan, J. H., and Sistler, F. E. 1986. The size and shape of typical sweet potatoes. Trans. ASAE. 29(3): 678-682.