تشخیص خودکار کیفیت سیب با استفاده از استخراج ویژگی های سطحی-آماری تصویر و ماشین بردار پشتیبان

سیستمهای خودکار مبتنی بر یادگیری ماشین رویکردی تحول آفرین در ارزیابی کیفیت میوه ارائه می دهند. در این مقاله، یک سیستم پیشرفته مبتنی بر پردازش تصویر و یادگیری ماشین، برای شناسایی و طبقه بندی خودکار کیفیت سیب ارائه شده است. در مرحله پیش پردازش، نویز به طور موثر با استفاده از فیلتر میانه حذف و جداسازی سیب از پس زمینه با استفاده از تکنیک آستانه گذاری اتسو انجام می شود. این امر امکان استخراج ویژگی های سطحی را در فضای رنگی RGB فراهم می کند. سپس از تکنیک های قدرتمند پردازش تصویر برای استخراج ویژگی های کلیدی، شامل ویژگی های سطحی و آماری، در دو بعد RGB و HSI و از دو نمای جانبی سیب استفاده می شود. در نهایت، یک طبقه بند ماشین بردار پشتیبان (SVM) برای دسته بندی سیب ها به دو گروه "سالم" و "معیوب" با دقت بالا مورد استفاده قرار می گیرد. نتایج آزمایشات بر روی مجموعه ای شامل ۱۲۱ تصویر، صحت ۸۹.۵٪ و حساسیت ۶۶.۸۸٪ را نشان داد. این نتایج اثربخشی روش پیشنهادی را در حل چالش های رایج مانند نویز و شرایط نوری متغیر تایید کرده است و آن را به یک راهکار امیدوارکننده برای خودکارسازی ارزیابی کیفیت میوه و بهبود بهره وری کشاورزی تبدیل می کند.

کلیدواژه ها:

پردازش تصویر ، ماشین بردار پشتیبان ، آستانه گذاری اتسو ، استخراج ویژگی