- کاربردهای دید ماشینی در حبوبات

دید ماشینی کاربردهای تحقیقاتی و صنعتی متعددی در زمینه بازرسی و کنترل کیفیت حبوبات پیدا کرده است که از جمله مهمترین آنها می‌توان درجه‌بندی حبوبات، جداسازی واریته‌های مختلف از هم و جداسازی دانه‌های مختلف حبوبات از یکدیگر اشاره کرد. 

 2-1- درجه بندی حبوبات

یکنواختی ظاهری نمونه برای پذیرش آن در بازار مصرف الزامی است.  تأمین یکنواختی ظاهری محصول تنها توسط ارزیابی ظاهری با چشم یا روش‌های دستگاهی امکانپذیر است.  استفاده از رنگ‌سنج می‌تواند اطلاعات کافی در زمینه رنگ نقطه‌ای محصول فراهم کند، اما این قبیل دستگاه‌ها نمی‌توانند اطلاعات چشمگیری در مورد تنوع رنگی محصول در اختیار صاحبان صنایع قرار دهند مگر اینکه چندین پروب به طور همزمان مورد استفاده قرار گیرند یا چندین تکرار از محصول انجام شود که این عمل منجر به کند شدن فرایند بازرسی خواهد شد.  با کاربرد روش دید ماشینی می‌توان اندازه و رنگ دانه‌های حبوبات را تعیین کرد و با استفاده از داده‌های آن درجه‌بندی دانه‌های حبوبات را بر اساس رنگ و یا اندازه انجام داد.  این روش در مقیاس تحقیقاتی با موفقیت برای درجه‌بندی عدس و لوبیا به کار رفته‌است (3، 7 و10).  یکی از روش‌های تعیین رنگ در سیستم دید ماشینی، استفاده از دوربین فیلم‌برداری برای عکس‌برداری است.  در عین حالیکه این روش موثری است اما تصاویر با هرگونه تغییر در تنظیم دوربین یا نورپردازی تغییر می‌کنند. روش دیگر استفاده از اسکنر تخت می‌باشد.  در این دستگاه­ها ارتباط ثابتی بین منبع نوری و حس‌گر موجود در سر اسکنر وجود دارد.  از این­رو حساسیت آنها نسبت به نور محیط کمتر از دستگاه‌های قبلی است.  البته این نوع دستگاه‌ها گران قیمت هستند و کاربرد آنها باید با درنظر گرفتن هزینه‌ها باشد (4). 

کاربرد روش دید ماشینی برای اندازه‌گیری ابعاد دانه‌ها و حبوبات دقیق‌تر و کارآمدتر از ارزیاب آموزش دیده همراه با میکروسکوپ است.  البته در عمده این روش­ها دانه‌ها باید بخوبی از هم جدا شده باشند.  این امر در صورت اندازه‌گیری مقادیر زیادی از نمونه عملی وقت‌گیر و پر زحمت است.  تعیین اندازه دانه‌ها در طبقه‌بندی آنها از لحاظ نوع و گونه موثر است (5، 7 و 8).  

,

 ۲-2- جداسازی واریته‌های مختلف حبوبات

ویژگی‌های فیزیکی نظیر اندازه و رنگ معیارهای خوبی برای تعیین واریته حبوبات به شمار می‌روند.  برای مثال در مورد عدس، واریته Laird دانه‌های سبز رنگ و بزرگتری دارد در حالیکه در وار‌یته Eston وCrimson  دانه‌ها کوچک هستند و از طرف دیگر این دانه‌های کوچک رنگ‌های متفاوتی دارند و به این وسیله می‌توان واریته‌های مختلف را از هم جدا کرد (6 و 7).

 2-3- جداسازی دانه‌های مختلف حبوبات از یکدیگر

با استفاده از دید ماشینی، ویژگی‌هایی نظیر اندازه و شکل دانه‌ها قابل شناسایی هستند.  با این روش می‌توان حبوبات مختلف از جمله لپه، عدس، لوبیا و نخود را از یکدیگر جدا کرد(9 و 10).

 3- نتیجه‌گیری

روش دید ماشینی از جمله فن‌آوری‌های نوین در صنایع غذایی است که در کنترل و بهبود کیفیت مواد غذایی کاربرد دارد.  تکرارپذیری و قابل قبول بودن اندازه‌گیری­ها در این روش و حذف سلائق و خطاهای فردی که ممکن است در روش‌های بازرسی معمولی خطا ایجاد کنند، از جمله مزایای روش دید ماشینی هستند.  در حال حاضر از محدودیت‌های عمده این روش گران قیمت بودن تجهیزات آن است که به دنبال گران‌تر شدن نیروی کار و در دسترس قرار گرفتن بیشتر این گونه تجهیزات، قیمت آنها در حال کاهش است.  کاربرد سیستم دید ماشینی در کشورهای توسعه یافته رو به افزایش است، امید است دید ماشینی بتواند جایگاه مناسب خود را در کشور ما نیز پیدا کند. 

 مراجع

  • 1. بهمدی، ه. و شواخی، ف. (1384). کنترل کیفیت مواد غذایی با روش بینایی سنجی مجهز به هوش مصنوعی. ماهنامه استاندارد، 173، 13-16.

•2.      Gunasekaran, S. and Ding, K. (1994). Using computer vision for food quality evaluation. Food Technology, June, 151- 154.

•3.      Kılıç , K., Boyacı, I. S., Köksel, H and Küsmenoğlu, I. (2007). A classification system for beans using computer vision system and artificial neuron networks. Journal of Food Engineering, 78, 897-904.

•4.      Shahin, M. A. and Symons, S. J. (2001a). A machine vision system for grading lentils. Canadian Biosystems Engineering, 43, 7.7- 7.12.

•5.      Shahin, M. A. and Symons, S. J. (2001b). Lentil seed size distribution with machine vision. American Society of Agricultural and Biological Engineers Annual Meeting, paper number 013058.

•6.       Shahin, M. A. and Symons, S. J. (2002). Instrumental colour and size grading for pulse grains. Proceedings of the World Congress of Computers in Agriculture and Natural Resources (13-15, March 2002, Iguacu Falls, Brazil),  pp: 107-113.

•7.      Shahin, M. A. and Symons, S. J. (2003). Lentil type identification using machine vision. Canadian Biosystem Engineering, 45, 3.5-3.11.

•8.       Shahin, M. A. and Symons, S. J, Annie, X. and Meng, M. (2004). Seed sizing with image analysis. American Society of Agricultural and Biological Engineers Annual Meeting, paper number 043121.

•9.      Shatadal, P, Jayas, D. S., Hehn, J. L. and Bulley, N. R. (1995). Seed classification using machine vision. Canadian Agricultural Engineering, 37, 163-168.

•10.  Venora, G., Grillo, O., Shahin, M. A. and Symons, S. J. (2007). Identification of Sicilian landraces and Canadian cultivars of lentil using an image analysis system. Food Research International. 40, 161-166.

,