دسته بندی انواع برنج با استفاده از DIP

Published on 07/09,2011

چکیده

روشهای تعیین نوع برنج با توسعه دستگاه­های بینایی ماشین در حال توسعه است.یک روش اتوماتیک برای شناسایی انواع مختلف برنج می­تواند بر اساس یک سیستم بینایی ماشین  باشد. این سیستم شامل یک دوربین است که تصاویری از انواع مختلف برنج را تهیه می­نماید، سپس از روی تصاویر بدست آمده، ویژگی­هایی از انواع مختلف استخراج شده و بر اساس آنها، انواع مختلف تشخیص داده­شده می­شود.

 

1- مقدمه

در صنایع غذایی هستند مواد غذایی مختلفی بصورت دانه وجود دارد که در این میان برنج از اهمیت ویژه­ای برخوردار است. برنج یکی از مواد غذایی ضروری برای بسیاری از کشور­هاست. در حال حاضر انواع بسیار زیادی از برنج­های مختلف موجود است و تعیین نوع آنها اهمیت زیادی یافته است. تعیین نوع برنج­های مختلف معمولا بر اساس ویژگی­های ظاهری انجام می­شود. این ویژگی­ها شامل اندازه، رنگ، شکل و وزن نمونه­ها می­باشد. در صنعت مواد غذایی و کشاورزی هنوز در برخی موارد ارزیابی محصولات بر اساس همین خصوصیات ظاهری و بصورت دستی انجام می­شود. تعیین نوع برنج نیز اکثرا با استفاده از تکنیک­های تجربی و توسط افراد خبره انجام می­شود که این روش پیچیده، وقت­گیر و خسته­کننده است و به دلیل دخالت انسان گاهی غیر قابل اعتماد می­باشد، بنا­براین یک روش سریع و قابل اعتماد دراین زمینه به شدت مورد نیاز است [1]. همانطور که می­دانیم تکنیک­های بینایی ماشین در بررسی محصولات کشاورزی بسیار موفق بوده­اند، اما در حال حاضر بیشترین تلاش در این زمینه در مرحله تحقیق می­باشد. با تولید یک سیستم اتوماتیک به کمک بینایی ماشین نه تنها می­توان طبقه بندی انواع برنج را انجام داد، بلکه می­توان از آن به عنوان یک ابزار کنترل کیفیت استفاده کرد.کیفیت برنج نیز به خصوصیات فیزیکی و شیمیایی بستگی دارد که می­توان از این خصوصیات برای طبقه­بندی استفاده نمود، به عنوان مثال دانه­های آسیب دیده یا دانه­هایی با رنگ متفاوت یا مواد خارجی در حین بررسی برنج به وسیله تکنیک­های بینایی ماشین قابل تشخیص می­باشند.

 

2-تاریخچه

نخستین بار Lai در سال 1986 از روش­های شناسایی الگو برای طبقه­بندی دانه­های غلات استفاده نمود و همزمان با او محققان دیگری از روش­های پردازش تصویر برای تشخیص کلاس­های انواع گندم­ها استفاده کردند [2]. در سال 1989 یک سیستم اتوماتیک برای تعیین موقیت دانه­های برنج در یک تصویر تولید شد. این دستگاه که یک دانه از برنج­های داخل تصویر را ارائه می­کرد بسیار گران و غیر قابل حمل بود. تعیین اندازه دانه­های برنج در تصاویری که در آنها نمونه­های برنج بصورت فله می­باشند و با یکدیگر در تماس هستند چالش بزرگی بود، بالاخره در سال 1995، shatadal و همکارانش از مورفولوژی ریاضی برای جدا کردن دانه­های برنج در یک تصویر استفاده نمودند. آنها مرز دانه­های برنج را با استفاده از عملیات مورفولوژی ریاضی از یکدیگر جدا نمودند. در سال 1997، Shashidhar از مرزبندی نمونه­ها برای شناسایی دانه­هایی که روی­هم افتادگی دارند استفاده کرد. اما در تمام این روش­ها، سرعت پردازش و دقت، دو مشکل اساسی بودند [1]. در سال 1999 از یک سیستم بینایی ماشین رنگی برای شناسایی دانه­های آسیب­دیده گندم استفاده شد که این سیستم از ویژگی­های مورفولوژیکی برای طبقه­بندی نمونه­ها ی مختلف استفاده می­کرد [2].

 

3-سخت افزار سیستم

به منظور اخذ تصاویر، در روش­های مختلف از دستگاه­­های نسبتاً مشابهی استفاده شده است. در قسمت بالای تمام این دستگاه­ها یک دوربین قرار دارد که توسط آن، تصویربرداری از نمونه­های برنج انجام می­شود. دوربین به بخش پردازش تصویر متصل است و تصاویر بدست آمده به این بخش منتقل می­شوند. در شکل1 دو نمونه از این دستگاه­ها نمایش داده شده است.

 

 

شکل 1-(الف-ب-ج)نمونه­هایی از سخت افزار سیستم تعیین نوع اتوماتیک

 

 

همانطور که در قسمت الف شکل1 مشاهده می­شود دوربین بر روی یک پایه قرار دارد که حرکت عمودی را برای دوربین انجام می­دهد. دانه­های برنج بر روی یک ماتریس از پیش تعیین شده که بر روی تسمه­نقاله قرار دارد پراکنده می­شوند و تسمه­نقاله حرکت می­کند تا دانه­ها در زیر دوربین قرار­بگیرند و تصویربرداری انجام شود. [1].

در قسمت ب شکل1 سخت­افزاری مشاهده می­شود که تصاویری از نمونه­های موجود بر روی سطح زیر دوربین تهیه می­نماید. در این دستگاه دانه­های برنج از یکدیگر جدا نمی­شوند و این احتمال وجود د ارد که در تصاویر بدست آمده بین دانه­ها برخورد وجود داشته باشد [3].

از مهمترین مقدمات تصویر­برداری، نورپردازی می­باشد. نورپردازی باید در تمام قسمت­های تصویر بصورت یکنواخت باشد تا اختلافی که در پیکسل­های مختلف دیده می­شود صرفاً به دلیل اختلاف بین سطوح خاکستری باشد نه به دلیل نورپردازی غیر­یکنواخت.

 

4-معرفی روش­های مختلف برای تعیین نوع برنج

تا کنون روش­های مختلفی برای تعیین نوع برنج به صورت اتوماتیک ارائه شده است که  اغلب این روش­ها با استخراج یکسری خصوصیات ظاهری، مانند شکل،اندازه یا رنگ، از انواع مختلف برنج، طبقه­بندی نوع را انجام می­دهند. در کل می­توان این روش­ها را به دو دسته طبقه­بندی نمود. دسته اول روش­هایی هستند که تصویر را به قسمت­های کوچکتر تقسیم می­کنند تا نهایتا به یک دانه از نمونه برسند و عملیات پردازشی را بر روی همان دانه بدست آمده انجام می­دهند [1].  دسته دوم روش­هایی هستند که نمونه­ها را بصورت درهم بر روی سطحی ریخته و عملیات پردازش را بر روی نمونه­های درهم انجام می­دهند [3]. در ادامه ابتدا روش­های مختف تصویر­برداری از دانه­های برنج توضیح داده­خواهدشد و سپس برخی از این روش­های تعیین نوع شرح­داده­می­شوند.

 

1-4-طبقه­بندی  انواع برنج با اعمال پردازش بر روی دانه­هی جدا

در این نوع روش، دانه­های برنج در تصویر گرفته شده، باید بصورت شکل2 از یکدیگر جدا باشند و برخوردی در میان آنها وجود نداشته­باشد.

 

شکل 2-نمونه­ای از تصاویری که در بین دانه­ها برخورد وجود ندارد

 

همانطور که در بخش قبل توضیح داده­شد، دانه­های برنج بصورت جدا از یکدیگر بر روی سطح چیده می­شوند و سپس تصویربرداری انجام می­شود. یکی از مراحل کار که تقریباً برای تمام این روش­ها انجام می­شود باینری نمودن تصویر به منظور تشخیص راحت­تر دانه­ها از پس­زمینه است.­

به عنوان نمونه­ای از روش­هایی که پردازش­ها را بر روی یک دانه انجام می­دهند، می­توان به کار Hobson یا OuYang اشاره نمود. مراحل آنالیز تصویر در روش آقای OuYang بصورت زیر می­باشد.

 

1-1-4-طبقه­بندی بر اساس شکل دانه­ها

این آزمایش بر روی پنج نوع مختلف برنج انجام شده­است و برای تشخیص نوع آنها نیز همانطور که در بالا ذکر شد از مشخصات ظاهری دانه­ها استفاده شده­است.

 قطعه­بندی تصویر اولین مرحله از آنالیز تصویراست. در این مرحله، یک تصویر، به اجزاء خودش یا قسمت­های کوچکتر تقسیم می­شود. معمولاً تقسیم تصویر تا جایی ادامه پیدا می­کند که اجزاء تصویر بصورت جداگانه بدست­آیند.

بطور معمول دو هدف برای الگوریتم­های تقطیع وجود دارد، یکی بر اساس عدم پیوستگی (فاصله) مقادیر سطوح خاکستری است، که تصویر بر اساس تغییرات ناگهانی در سطوح خاکستری تقسیم می­شود و دیگری بر اساس شباهت مقادیر سطوح خاکستری می­باشد که از این معیار به منظور آستانه­گذاری استفاده می­شود.

در یک تصویر خوب می­توان سطوح خاکستری را به دو حالت غالب گروه­بندی کرد، روش آستانه­گذاری به انتخاب یک مقدار T به عنوان آستانه برای جدا کردن دو حالت منتهی می­شود. اگر تصویر اصلی را با f(x,y) نمایش دهیم می­توان تصویر باینری g(x,y) را بصورت زیر نشان داد.

 

بنابراین پیکسل­هایی که برچسب 1 دارند متناسب با اشیاء هستند و پیکسل­هایی که برچسب 0 دارند متناسب با پس زمینه هستند. در شکل3 نتیجه مرحله تقطیع به یک دانه با 160T= نشان داده­شده­است.

 

شکل 3-تنتیجه تقطیع بر روی یک دانه برنج

نتیجه مرحله تقطیع معمولاً یک تصویر باینری است. یک تصویر باینری تنها شامل دو نوع از پیکسل­هاست.پیکسل­هایی که سطح خاکستری آنها 0 یا 1 است. اشیاء مورد علاقه در پیکسل­هایی که سطح خاکستری آنها 1 است از بقیه قسمت­های تصویر جدا شده­اند.

در انتها از یک شبکه عصبی رو به جلو برای طبقه­بندی نمونه­های مختلف استفاده شده است. ورودی این شبکه عصبی مشخصه­های محاسبه شده تصویر است و آموزش این شبکه به روش back-propagation می­باشد، برای آموزش شبکه عصبی یک بانک از تصاویر شامل 500 نمونه استفاده شده است [1].

 

Hobson و همکارانش نیز آنالیز را بر روی یک دانه مجزا انجام داده­اند ولی از مشخصه بافت استفاده کرده­اند که خلاصه کار آنها در زیر ارائه شده است.

 

2-1-4-طبقه­بندی بر اساس شکل و بافت دانه­ها

در این روش برای تهیه تصاویر از سخت­افزاری مانند شکل1 ج استفاده شده­است. همانطور که مشاهده می­شود در دو طرف صفحه­ای که دانه­های برنج بر روی آن قرار دارند از لامپ­های LED با نور طبیعی استفاده شده تا نورپردازی یکنواخت حاصل شود.

در مرحله پیش­پردازش سعی شده است که تفاوت بین سطوح خاکستری دانه­های برنج و پس­زمینه به حداکثر برسد. در این روش پردازش تصویر بر روی دانه­های موجود در تصاویر بدست آمده انجام می­شود و از ویژگی بافت و شکل استفاده می­شود.

پردازش تصویر برای تجزیه و تحلیل استفاده می­شود. عملیلت پردازش تصویر در این روش در شکل4 نمایش داده­شده­است. شکل4 الف تصویر اولیه است که در اولین قسمت از پردازش تصویر مانند روش قبل با استفاده از یک مقدار به عنوان آستانه تصویر بک تصویر باینری تبدیل می­شود، نتیجه این عمل در شکل4ب دیده می­شود. اینک با اعمال عملگر AND بین تصویر اولیه و تصویر باینری شده، زمینه از تصویر اصلی حذف می­شود بنابراین تغییراتی که ممکن است در نورپردازی وجود داشته­باشد از بین  می­روند و بافت دانه­های برنج مشخص می­شوند که نتیجه در شکل4ج ارائه شده است. در مرحله بعد یک عملگر تشخیص لبه برای مشخص شدن لبه­های داخلی در دانه­های برنج استفاده می­شود، در اینجا از عملگر تشخیص لبه canny استفاده شده­است. این عملگر یک تصویر باینری مانند شکل4د را به عنوان نتیجه بر­می­گرداند که لبه­های داخلی دانه­ها در این شکل مشخص شده است. شکل5 نیز نتیجه همین عملیات را بر روی دانه­هایی از دو نوع برنج مختلف نشان داده­است. از لبه­های بدست­آمده برای هر دانه به عنوان ویژگی آن دانه استفاده می­شود. با استفاده از اجزاء متصل به هم می­توان شکل، محیط و خصوصیات داخلی را برای هر دانه بدست­آورد و این روش برای اندازه­گیری محیط و طول قطر به اندازه کافی قابل اعتماد می­باشد. با داشتن چند نمونه آموزشی و بدست­­آوردن لبه­های داخلی برای آنها، می­توان نوع نمونه­های جدید را تشخیص داد. روش تشخیص نمونه­های جدید به این صورت است است که برای نمونه تست نیز تمام مراحلی که توضیح داده­شد انجام می­شود و بر اساس تصویر لبه­های داخلی دانه برنج و اختلافی که با نمونه­های آموزشی دارد، نمونه آزمایشی به یکی از کلاس­ها نسبت داده می­شود. به منظور مقایسه لبه­های دو نمونه آموزشی و آزمایشی، از فاصله اقلیدسی استفاده می­شود، یعنی مجذور مربعات اختلاف بین دو تصویر را مانند رابطه1 محاسبه می­نماییم که در این رابطه، D اختلاف بین دو تصویر p و q را مشخص می­کند. بنابراین فاصله اقلیدسی به عنوان معیاری برای مقایسه دو نمونه استفاده می­شود [4].

 

D(p,q)==                                 (1)

 

1.png

الف

2.png

ب

3.png

ج

4.png

د

شکل 4-مراحل پردازش تصویر در روش Hobson


نظرات

Leave a Reply

ارسال نظر
Info

توجه: از ارسال پيام هاي خصوصي در حالت لاگين براي نويسنده وبلاگ اجتناب نماييد.
در صورتی که در فرم ارسال نظر، نام شما توسط سیستم شناسایی شده باشد(در حالت لاگین) نظر شما بلافاصله منتشر خواهد شد.


در غیر اینصورت نظر شما پس از تایید توسط مالک وبلاگ منتشر خواهد شد.

 authimage