پژوهش و نوآوری در علوم و صنایع غذایی

امکان‌سنجی تشخیص و درجه‌بندی فیزیکی خرمای مضافتی با استفاده از روش پردازش تصاویر دیجیتال و الگوریتم ماشین ‌بردار پشتیبان

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

گروه علوم و صنایع غذایی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

روش‌های سنتی درجه‌بندی خرما به‌ علت نبود ویژگی‌های کمی مشخص باعث درجه‌بندی ناصحیح شده و اتلاف زمان و هزینه ایجاد می‌کند. درجه‌بندی خرما براساس الگوریتم‌های طبقه‌بندی می‌تواند اختلاف‌نظر فروشنده و خریدار را کاهش دهد. در این تحقیق شناسایی برخی ویژگی‌های کیفی خرمای مضافتی و درجه‌بندی آن به چهار دسته (درجۀ 1، 2، ۳ و ۴) طبق نظر‌های استخراج‌شده از واردکنندگان خرمای مضافتی کشور روسیه انجام شده است و برای ایجاد ارتباط معنی‌دار بین کیفیت خرما و برنامۀ پردازش تصویر در محیط متلب، ماشین ‌بردار پشتیبان مورد استفاده قرار گرفت. نتایج ماشین بردار پشیتبان خطی، کوادراتیک، کوبیک و گوسین متوسط دارای دقت ۱۰۰ درصد بوده، یعنی توانسته است درجه‌بندی را به‌طورکامل انجام دهد. برای درک چگونگی عملکرد درجه‌بندی‌شدۀ انتخاب‌شده در هر درجه، از طرح ماتریس اغتشاش استفاده شده است. منحنی مشخصۀ عامل گیرنده نرخ درجه‌بندی مثبت در مقابل نرخ مثبت کاذب را برای انتخاب آموزش درجه‌بندی، ارائه می‌دهد. نرخ مثبت 0/97 در درجۀ اول نشان می‌دهد که طبقه‌بندی‌کنندۀ فعلی 0/97 از مشاهده‌ها را به‌درستی به درجۀ مثبت اختصاص می‌دهد. به‌منظور صحت‌سنجی نهایی از ضریب کاپا استفاده شده است که با نظر خبرگان نیز میزان درستی درجه‌بندی موردبررسی قرار گرفته است. تمام مقادیر کاپا بزرگ‌تر از 0/6 بوده و دارای پایداری کافی است. همچنین بیشترین کاپا مربوط به روش کوبیک بیش از 0/8 و کمترین مربوط به گوسین کامل با مقدار 0/76 است. باتوجه‌به دقت و صحت پیاده‌سازی با ماشین بردار پشتیبان این روش با بازده بالایی قابلیت درجه‌بندی خرما را با ویژگی‌های استخراج‌شده دارد.

کلیدواژه‌ها

موضوعات

© 2023, Research Institute of Food Science and Technology. All rights reserved.

This is an open-access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC-BY 4.0). To view a copy of this license, visit (https://creativecommons.org/licenses/by/4.0/).

Aghbashlo, M., Hosseinpour, S., & Ghasemi-Varnamkhasti, M. (2014). Computer vision technology for real-time food quality assurance during drying process. Trends in Food Science & Technology, 39(1), 76-84. https://doi.org/10.1016/j.tifs.2014.06.003
Alrajeh, K. M., & Alzohairy, T. A. (2012). Date fruits classification using MLP and RBF neural networks. International Journal of Computer Applications, 41(10).
Amiryousefi, M. R., Mohebbi, M., & Khodaiyan, F. (2012). Surface Analysis of Ostrich Meat Plates During Deep-fat Frying Using Image Analysis and Fractal Dimension. Iranian Food Science and Technology Research Journal, 8(2), -. https://doi.org/10.22067/ifstrj.v8i2.17276
Behera, S. K., Rath, A. K., & Sethy, P. K. (2020). Fruit Recognition using Support Vector Machine based on Deep Features. Karbala International Journal of Modern Science, 6(2), 16.
de Oliveira, E. M., Leme, D. S., Barbosa, B. H. G., Rodarte, M. P., & Pereira, R. G. F. A. (2016). A computer vision system for coffee beans classification based on computational intelligence techniques. Journal of Food engineering, 171, 22-27. https://doi.org/10.1016/j.jfoodeng.2015.10.009
Doosti Irani, O., Golzarian, M., Aghkhani, M. H., & Sadrnia, H. (2015). Study of temporal variations of color and temperature on bruised apples from thermal and visible images. Iranian Food Science and Technology Research Journal, 11(5), 677-693. https://doi.org/10.22067/ifstrj.v0i0.37029
El-dosuky, M. A., Oliva, D., & Hassanien, A. E. (2020). An Artificial Intelligence System for Apple Fruit Disease Classification Based on Support Vector Machine and Cockroach Swarm Optimization. AICV,
Hawkins, D. I., Best, R. J., & Coney, K. A. (2004). Consumer Behavior: Building Marketing Strategy. McGraw-Hill Irwin. https://books.google.com/books?id=0HlqngEACAAJ
Hussain Hassan, N. M., & Nashat, A. A. (2019). New effective techniques for automatic detection and classification of external olive fruits defects based on image processing techniques. Multidimensional Systems and Signal Processing, 30(2), 571-589. https://doi.org/10.1007/s11045-018-0573-5
Mehrabi, H., Pakravan, M. R., & Shakibaie, A. (2010). Study of Comparative Advantage and Trading Map of Date Exports in Iran. Agricultural Economics, 4(2(2)), 63-81. http://www.iranianjae.ir/article_9759_e01033d4e9fa14152462c5b43f53d1d5.pdf
Memarian Sorkhabi, O. (2021). Deep learning of total electron content. SN Applied Sciences, 3(7), 685. https://doi.org/10.1007/s42452-021-04674-6
Memarian Sorkhabi, O., Asgari, J., & Amiri Simkooei, A. (2021). Analysis of Greenland mass changes based on GRACE four-dimensional wavelet decomposition. Remote Sensing Letters, 12(5), 499-509. https://doi.org/10.1080/2150704X.2021.1903608
Muhammad, G. (2015). Date fruits classification using texture descriptors and shape-size features. Engineering Applications of Artificial Intelligence, 37, 361-367. https://doi.org/10.1016/j.engappai.2014.10.001
Nouri-Ahmadabadi, H., Omid, M., Mohtasebi, S. S., & Soltani Firouz, M. (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. https://doi.org/10.1016/j.inpa.2017.06.002
Omid, M., Firouz, M. S., Nouri-Ahmadabadi, H., & Mohtasebi, S. S. (2017). Classification of peeled pistachio kernels using computer vision and color features. Engineering in agriculture, environment and food, 10(4), 259-265. https://doi.org/10.1016/j.eaef.2017.04.002
Patil, J. K., & Kumar, R. (2011). Advances in image processing for detection of plant diseases. Journal of Advanced Bioinformatics Applications and Research, 2(2), 135-141.
Rashidi, M., Seyfi, K., & Gholami, M. (2007). Determination of kiwifruit volume using image processing. ARPN Journal of Agricultural and Biological Science, 2(6), 17-22.
Shahpouri, A., Ghorbani, M., Dourandish, A., & Kohansal, M. (2014). Organic saffron position in the future household consumption basket and effective structures (Case study). Saffron agronomy and technology, 2(2), 107-114. https://doi.org/10.22048/jsat.2014.6870
ارسال نظر در مورد این مقاله
CAPTCHA Image
پژوهش و نوآوری در علوم و صنایع غذایی
دوره 12، شماره 3
آذر 1402
صفحه 259-272
  • تاریخ دریافت: 11 اسفند 1399
  • تاریخ بازنگری: 31 مرداد 1400
  • تاریخ پذیرش: 01 شهریور 1400