پژوهش و نوآوری در علوم و صنایع غذایی
به‌کارگیری تبدیل موجک تصویر برای درجه‌بندی کیفی چای سبز به کمک الگوریتم‌های فراابتکاری
نوع مقاله : مقاله کامل پژوهشی
نویسندگان
استادیار، گروه مهندسی مکانیزاسیون کشاورزی، دانشگاه گیلان، رشت، ایران
چکیده
این مطالعه با هدف بررسی بهترین مشخصه‌های استخراج‌شده از تصاویر برای تعیین بهترین روش طبقهبندی کیفی چای سبز توسط الگوریتم‌های فراابتکاری انجام شد. 5 طبقۀ مختلف چای سبز مطابق با استاندارد سازمان ملی استاندارد ایران ارزیابی شدند. پس از دریافت تصاویر گروه‌های مختلف چای سبز در رایانه، تعداد 6 بلوک تصویر مربعی از هرکدام از تصاویر رنگی اولیه جدا شدند. این بلوک‌های تصویر از حالت RGB به تصاویر سطح خاکستری تبدیل شدند. فیلتر موجک گسسته هار سطح اول روی تصاویر خاکستری اعمال شد و 4 زیرتصویر موجکی استخراج شدند. ماتریس‌های هم‌رخداد برای هرکدام از تصاویر زیرباند موجک محاسبه شدند و 17 ویژگی بافتی پرکاربرد در مطالعه‌های بافتی تصویر، از تصاویر زیرباندها استخراج شدند (مجموعاً 68 ویژگی بافتی برای هر بلوک تصویر). با استفاده از آنالیز مؤلفه‌های اصلی، تعداد 8 ترکیب ویژگی از ویژگی‌های اولیه تولید شدند و برای جداسازی 5 گروه چای سبز استفاده شدند. نتایج نشان داد که الگوریتم‌هایی از شبکه‌های عصبی مصنوعی، ماشین‌‌بردار پشتیبان و درخت تصمیم، قادر به طبقهبندی کیفی چای سبز با دقت بالایی بودند. درحالی‌که شبکۀ بیزین عملکرد قابل‌قبولی نداشت. باتوجه‌به آماره‌های ارزیابی، شبکه‌های عصبی مصنوعی پرسپترون چندلایه (با مقادیر آمارۀ کاپا، ریشۀ میانگین مربعات خطا و دقت طبقهبندی به‌ترتیب برابر با 0/9901، 0/420 و 99/17 درصد) به‌عنوان بهترین طبقهبندی انتخاب شد. براساس نتایج این پژوهش، استفاده از ماشین بینایی و ویژگی‌های بافتی مستخرج از زیرباندهای موجک تصاویر، روش مناسبی برای طبقهبندی کیفی چای سبز می‌باشد.
کلیدواژه‌ها
ایزدی، ه. (1392). توسعه فناوری و ارزیابی سامانه تشخیص عیوب و درجه‌بندی گوجه‌فرنگی با استفاده از فناوری ماشین بینایی وشبکه‌های عصبی- فازی (ANFIS). (پایان نامه کارشناسی ارشد)، انشگاه شیراز، دانشکده کشاورزی,
وزارت جهاد کشاورزی-معاونت برنامه‌ریزی و اقتصادی. (1396). گزارش وضعیت صنعت چای کشور (20 صفحه). برگرفته از http://facility.maj.ir/Dorsapax/Data/Sub_46/File/3.pdf
Al Ohali, Y. (2011). Computer vision based date fruit grading system: Design and implementation. Journal of King Saud University-Computer and Information Sciences, 23(1), 29-36. doi:https://doi.org/10.1016/j.jksuci.2010.03.003
Alrajeh, K. M., & Alzohairy, T. A. (2012). Date fruits classification using MLP and RBF neural networks. International Journal of Computer Applications, 41(10), 36-41. doi:https://doi.org/10.5120/5579-7686
Bakhshipour, A., Sanaeifar, A., Payman, S. H., & de la Guardia, M. (2018). Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features. Food analytical methods, 11(4), 1041-1050. doi:https://doi.org/10.1007/s12161-017-1075-z
Benalia, S., Cubero, S., Prats-Montalbán, J. M., Bernardi, B., Zimbalatti, G., & Blasco, J. (2016). Computer vision for automatic quality inspection of dried figs (Ficus carica L.) in real-time. Computers and electronics in agriculture, 120, 17-25. doi:https://doi.org/10.1016/j.compag.2015.11.002
Bordoni, M., Bittelli, M., Valentino, R., Chersich, S., Persichillo, M., & Meisina, C. (2018). Soil Water Content Estimated by Support Vector Machine for the Assessment of Shallow Landslides Triggering: the Role of Antecedent Meteorological Conditions. Environmental Modeling & Assessment, 23(4), 333-352. doi:https://doi.org/10.1007/s10666-017-9586-y
Bouckaert, R. R. (2004). Bayesian network classifiers in weka.
Chandra, S., & Maheshkar, S. (2017). Verification of static signature pattern based on random subspace, REP tree and bagging. Multimedia Tools and Applications, 76(18), 19139-19171. doi:https://doi.org/10.1007/s11042-017-4531-2
Chen, Q., Zhao, J., Chen, Z., Lin, H., & Zhao, D.-A. (2011). Discrimination of green tea quality using the electronic nose technique and the human panel test, comparison of linear and nonlinear classification tools. Sensors and Actuators B: Chemical, 159(1), 294-300. doi:https://doi.org/10.1016/j.snb.2011.07.009
Diniz, P. H. G. D., Barbosa, M. F., de Melo Milanez, K. D. T., Pistonesi, M. F., & de Araújo, M. C. U. (2016). Using UV–Vis spectroscopy for simultaneous geographical and varietal classification of tea infusions simulating a home-made tea cup. Food chemistry, 192, 374-379. doi:https://doi.org/10.1016/j.foodchem.2015.07.022
Diniz, P. H. G. D., Pistonesi, M. F., Alvarez, M. B., Band, B. S. F., & de Araújo, M. C. U. (2015). Simplified tea classification based on a reduced chemical composition profile via successive projections algorithm linear discriminant analysis (SPA-LDA). Journal of Food Composition and Analysis, 39, 103-110. doi:https://doi.org/10.1016/j.jfca.2014.11.012
Dissing, B. S., Papadopoulou, O. S., Tassou, C., Ersbøll, B. K., Carstensen, J. M., Panagou, E. Z., & Nychas, G.-J. (2013). Using multispectral imaging for spoilage detection of pork meat. Food and Bioprocess Technology, 6(9), 2268-2279. doi:https://doi.org/10.1007/s11947-012-0886-6
Ezadi, H. (2013). Development of technology and evaluation of defect detection and tomato grading system using visual machine technology and neuro-fuzzy networks (ANFIS). (Unpublished master's degree in Agricultural Machinery Mechanics), Shiraz University, (in Persian)
Farooqi, S. (2012). Data mining: An overview. Indian Agricultural Statistics Research Institute (IASRI), Library Avenue, Pusa, New Delhi-110012.
Garg, A., Pavlovic, V., & Huang, T. S. (2002). Bayesian networks as ensemble of classifiers. Paper presented at the Object recognition supported by user interaction for service robots, 11-15 Aug. 2002.
Ge, H., Jiang, Y., Xu, Z., Lian, F., Zhang, Y., & Xia, S. (2014). Identification of wheat quality using THz spectrum. Optics express, 22(10), 12533-12544. doi:https://doi.org/10.1364/OE.22.012533
Gonzalez, R. C., & Woods, R. E. (2002). Digital Image Processing, Publishing House of Electronics Industry. Beijing, 295-300.
Granitto, P. M., Biasioli, F., Aprea, E., Mott, D., Furlanello, C., Märk, T. D., & Gasperi, F. (2007). Rapid and non-destructive identification of strawberry cultivars by direct PTR-MS headspace analysis and data mining techniques. Sensors and Actuators B: Chemical, 121(2), 379-385. doi:https://doi.org/10.1016/j.snb.2006.03.047
Haralick, R. M., & Shanmugam, K. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610-621. doi:https://doi.org/10.1109/TSMC.1973.4309314
Hayat, K., Iqbal, H., Malik, U., Bilal, U., & Mushtaq, S. (2015). Tea and its consumption: benefits and risks. Critical reviews in food science and nutrition, 55(7), 939-954. doi:https://doi.org/10.1080/10408398.2012.678949
He, X., Li, J., Zhao, W., Liu, R., Zhang, L., & Kong, X. (2015). Chemical fingerprint analysis for quality control and identification of Ziyang green tea by HPLC. Food chemistry, 171, 405-411. doi:https://doi.org/10.1016/j.foodchem.2014.09.026
Jolliffe, I. (2011). Principal component analysis. International encyclopedia of statistical science: Springer, Berlin, Heidelberg.
Landwehr, N., Hall, M., & Frank, E. (2005). Logistic model trees. Machine learning, 59(1-2), 161-205. doi:https://doi.org/10.1007/s10994-005-0466-3
Liang, Y., Lu, J., Zhang, L., Wu, S., & Wu, Y. (2005). Estimation of tea quality by infusion colour difference analysis. Journal of the Science of Food and Agriculture, 85(2), 286-292. doi:https://doi.org/10.1002/jsfa.1953
Liming, X., & Yanchao, Z. (2010). Automated strawberry grading system based on image processing. Computers and electronics in agriculture, 71(1), S32-S39. doi:https://doi.org/10.1016/j.compag.2009.09.013
Maheshwari, C. V., Jain, N. K., & Khanna, S. (2015). Computer Vision Based Classification of Indian Gujarat-17 Rice Using Geometrical Features and Cart. In L. Jain, H. Behera, J. Mandal, & D. Mohapatra (Eds.), Computational Intelligence in Data Mining-Volume 3. Smart Innovation, Systems and Technologies, (Vol. 33, pp. 205-216): Springer, New Delhi.
Majumdar, S., & Jayas, D. (1999). Classification of bulk samples of cereal grains using machine vision. Journal of Agricultural Engineering Research, 73(1), 35-47. doi:https://doi.org/10.1006/jaer.1998.0388
Mery, D., Pedreschi, F., & Soto, A. (2013). Automated design of a computer vision system for visual food quality evaluation. Food and Bioprocess Technology, 6(8), 2093-2108. doi:https://doi.org/10.1007/s11947-012-0934-2
Ministry of Agriculture-Jahad: Planning & Economic Affairs. (2017). State of the Tea Industry Country Report. pp. 20. Retrieved from http://facility.maj.ir/Dorsapax/Data/Sub_46/File/3.pdf (in Persian)
Mollazade, K., Omid, M., & Arefi, A. (2012). Comparing data mining classifiers for grading raisins based on visual features. Computers and electronics in agriculture, 84, 124-131. doi:https://doi.org/10.1016/j.compag.2012.03.004
Nouri-Ahmadabadi, H., Omid, M., Mohtasebi, S. S., & Firouz, M. S. (2017). Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine. Information Processing in Agriculture, 4(4), 333-341.
Ouali, A., Cherif, A. R., & Krebs, M.-O. (2006). Data mining based Bayesian networks for best classification. Computational statistics & data analysis, 51(2), 1278-1292.
Park, B., & Chen, Y. (2001). Co-occurrence matrix texture features of multi-spectral images on poultry carcasses. Journal of Agricultural Engineering Research, 78(2), 127-140.
Payman, S., Bakhshipour, A., & Zareiforoush, H. (2018). Development of an expert vision-based system for inspecting rice quality indices. Quality Assurance and Safety of Crops & Foods, 10(1), 103-114.
Rajesh, P., & Karthikeyan, M. (2017). A comparative study of data mining algorithms for decision tree approaches using WEKA tool. Advances in Natural and Applied Sciences, 11(9), 230-243.
Roy, R. B., Chattopadhyay, P., Tudu, B., Bhattacharyya, N., & Bandyopadhyay, R. (2014). Artificial flavor perception of black tea using fusion of electronic nose and tongue response: A Bayesian statistical approach. Journal of Food Engineering, 142, 87-93. doi:https://doi.org/10.1016/j.jfoodeng.2014.06.004
Sabanci, K., Toktas, A., & Kayabasi, A. (2017). Grain classifier with computer vision using adaptive neuro‐fuzzy inference system. Journal of the Science of Food and Agriculture, 97(12), 3994-4000. doi:https://doi.org/10.1002/jsfa.8264
Sanaeifar, A., Mohtasebi, S. S., Ghasemi-Varnamkhasti, M., & Siadat, M. (2014, 3-5 Nov. 2014). Application of an electronic nose system coupled with artificial neural network for classification of banana samples during shelf-life process. Paper presented at the 2014 International Conference on Control, Decision and Information Technologies (CoDIT).
Schölkopf, B., Smola, A. J., & Bach, F. (2002). Learning with kernels: support vector machines, regularization, optimization, and beyond: MIT press.
Semary, N. A., Tharwat, A., Elhariri, E., & Hassanien, A. E. (2015). Fruit-based tomato grading system using features fusion and support vector machine. In F. D. e. al. (Ed.), Intelligent Systems' 2014. Advances in Intelligent Systems and Computing (Vol. 323, pp. 401-410): Springer.
Silva, L., Koga, M., Cugnasca, C., & Costa, A. (2013). Comparative assessment of feature selection and classification techniques for visual inspection of pot plant seedlings. Computers and electronics in agriculture, 97, 47-55. doi:https://doi.org/10.1016/j.compag.2013.07.001
Stojanova, D., Panov, P., Gjorgjioski, V., Kobler, A., & Džeroski, S. (2010). Estimating vegetation height and canopy cover from remotely sensed data with machine learning. Ecological Informatics, 5(4), 256-266. doi:https://doi.org/10.1016/j.ecoinf.2010.03.004
Velásquez, L., Cruz-Tirado, J., Siche, R., & Quevedo, R. (2017). An application based on the decision tree to classify the marbling of beef by hyperspectral imaging. Meat science, 133, 43-50. doi:https://doi.org/10.1016/j.meatsci.2017.06.002
Vlontzos, G., & Pardalos, P. M. (2017). Data mining and optimisation issues in the food industry. International Journal of Sustainable Agricultural Management and Informatics, 3(1), 44-64. doi:https://doi.org/10.1504/IJSAMI.2017.082921
Wang, C.-F., & Liu, K. (2015). Learning Bayesian network classifier based on artificial fish swarm algorithm. IAENG International Journal of Computer Science, 42(4), 355-360.
Wang, L. (2005). Support vector machines: theory and applications (Vol. 177): Springer Science & Business Media.
Yao, Q., Guan, Z., Zhou, Y., Tang, J., Hu, Y., & Yang, B. (2009, 2-3 May 2009). Application of support vector machine for detecting rice diseases using shape and color texture features. Paper presented at the 2009 international conference on engineering computation.
Yu, H., Wang, J., Yao, C., Zhang, H., & Yu, Y. (2008). Quality grade identification of green tea using E-nose by CA and ANN. LWT-Food Science and Technology, 41(7), 1268-1273. doi:https://doi.org/10.1016/j.lwt.2007.08.018
Yu, X. J., Liu, K. S., He, Y., & Wu, D. (2011). Color and texture classification of green tea using least squares support vector machine (lssvm). Paper presented at the Key Engineering Materials.
Zareiforoush, H., Minaei, S., Alizadeh, M. R., & Banakar, A. (2016). Qualitative classification of milled rice grains using computer vision and metaheuristic techniques. Journal of food science and technology, 53(1), 118-131. doi:https://doi.org/10.1007/s13197-015-1947-4
)
دوره 8، شماره 2
تیر 1398صفحه 189-200
- تاریخ دریافت: 10 مرداد 1397
- تاریخ بازنگری: 21 آذر 1397
- تاریخ پذیرش: 11 دی 1397
ارسال نظر در مورد این مقاله