تشخیص غیرمخرب و خودکار کیفیت تخم مرغ بر مبنای روشهای یادگیری ماشین از تصاویر کندلینگ مادون قرمز

تشخیص سریع و غیرمخرب تخم مرغ سالم و خراب در خطوط تولید صنعتی یکی از چالش های مهم صنایع غذایی و کشاورزی است. روش های سنتی مبتنی بر شکست پوسته تخم مرغ مخرب هستند و امکان استفاده مستقیم در تولید صنعتی را ندارند. در این پژوهش، یک سیستم خودکار مبتنی بر تصاویر کندلینگ مادون قرمز (IR) و استخراج ویژگی های هیبریدی شامل ویژگی های بافتی (LBP)، لبه ای، شکل (HOG) و ویژگی های هندسی ارائه شده است تا تخم مرغ ها تنها از روی پوسته به صورت سالم یا خراب طبقه بندی شوند. تصاویر جمع آوری شده شامل ۱۰۰۰ نمونه از تخم مرغ های سالم و خراب در محیط صنعتی با نور مادون قرمز تاریک بود. تمامی تصاویر پیش پردازش شده و ویژگی های بافتی، لبه ای و هندسی از آن ها استخراج گردید. برای طبقه بندی، دو الگوریتم یادگیری ماشین کلاسیک شامل SVM با کرنل RBF و Random Forest با ۱۰۰ درخت آموزش داده شدند و عملکرد آن ها با Stratified ۱۰-Fold Cross-Validation ارزیابی شد. نتایج نشان داد که هر دو مدل دقت بالای ۹۵٪ دارند و عملکرد آن ها در تمام Foldها پایدار است. علاوه بر دقت بالا، استفاده از ویژگی های ساده و مدل های کلاسیک، سیستم را سبک، تفسیرپذیر و مناسب برای کاربرد صنعتی می کند. این پژوهش برای نخستین بار، ترکیب تصاویر کندلینگ مادون قرمز با یادگیری ماشین کلاسیک را برای تشخیص کیفیت تخم مرغ بررسی می کند و امکان پیاده سازی عملی و سریع در خطوط تولید صنعتی را فراهم می سازد.

کلیدواژه ها:

تصویربرداری با نور پس زمینه کندلینگ (Candling) ، ارزیابی غیرمخرب کیفیت تخم مرغ ، الگوی دودویی محلی(LBP) ، هیستوگرام جهت گیری گرادیان (HOG) ، ماشین بردار پشتیبان (SVM) ، جنگل تصادفی (Random Forest)