جلال خدائی

درجه بندی محصولات کشاورزی سبب افزایش بازارپسندی محصولات می گردد. جهت انجام این مکانیسم رویکردهای مختلفی وجود دارد. روش های مکانیکی، به دلیل آسیب هایی که به محصول وارد می کنند، امروزه کمتر مورد توجه قرار می گیرند. ولی روشهای غیر مخرب به دلیل دخالت کمتر انسان، کاهش صدمات مکانیکی و راحت بودن مورد توجه می باشند که سامانه های درجه بندی بر مبنای بینایی ماشین یکی از این روش هاست. تاکنون تحقیقات مختلفی در مورد درجه بندی میوه های مختلف براساس اندازه، رنگ و شکل انجام شده است. این پژوهش به منظور درجه بندی میوه توت فرنگی براساس اندازه و رنگ و همچنین شناسایی بیماری سطح میوه به وسیله بینایی ماشین انجام گرفت . بدین منظور دو منبع نور فلورسنت و LEDاز لحاظ میزان ویکنواختی نور تابشی مقایسه و منبع نورLED برای نورپردازی مصنوعی داخل جعبه انتخاب شد. میوه ها به صورت تکی در داخل جعبه تصویر برداری قرار داده شدند و پس از عکس برداری ، برای اندازه گیری میزان مواد جامد محلول بوسیله دستگاه رفرکتومتر و همچنین آلوده نمودن به وسیله قارچ به آزمایشگاه منتقل شدند. پس از آلوده نمودن میوه ها ، عمل عکس برداری دوباره انجام گرفت. الگوریتم تشخیص بیماری با استخراج مساحت قسمت بیمار ، میوه های دارای آلودگی را معین می نمود. با استخراج ویژگیهای رنگی و اندازه به وسیله نرم افزار MATLAB، درجه بندی بر اساس رنگ و اندازه انجام شد. برای درجه بندی بر اساس اندازه ، پارامترهای مساحت، محیط، قطر بزرگ، قطر کوچک، کشیدگی و توپری استخراج و با آنالیز حساسیت، پارامترهای مساحت، قطر اصلی، قطر فرعی و محیط به عنوان پارامترهای موثر در ورودی شبکه عصبی سه لایه تعیین گردید. همچنین برای درجه بندی براساس میزان رسیدگی، پارامترهای رنگی فضاهای رنگیL*a*b و HSV به صورت میانگین استخراج و پس از تجزیه و تحلیل همبستگی پارامترها با میزان مواد جامد محلول، پارامترهایa* وS به عنوان پارامترهای موثر برای ورودی شبکه عصبی سه لایه انتخاب شد. تعداد نرون های لایه میانی با استفاده از روش سعی و خطا به دست آمد. نتایج حاصل از این تحقیق بیانگر دقت مناسب الگوریتم های تشخیص بیماری و درجه بندی توت فرنگی بر اساس شکل و اندازه بود. صحت نهایی الگوریتم تشخیص بیماری 46/97 درصد بود. همچنین شبکه عصبی با ساختار 3-10-4 توانایی جداسازی میوه ها بر اساس اندازه با صحت نهایی 64/93 د