چکیده مقاله
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
کلیدواژهها
نویسندگان
فروغ احسانفر
برق، مهندسی رباتیک، دانشکده مهندسی رباتیک، مرکز آموزش عالی لارستان، لار
فاطمه مویدی
کامپیوتر، مهندسی نرم افزار کامپیوتر و هوش مصنوعی، دانشکده مهندسی کامپیوتر، مرکز آموزش عالی لارستان، لار
زهرا فرمانی
کامپیوتر، مهندسی نرم افزار کامپیوتر و هوش مصنوعی، دانشکده مهندسی کامپیوتر، مرکز آموزش عالی لارستان، لار
شیوه ارجاع
�حسانفر، فروغ و مویدی، فاطمه و فرمانی، زهرا،1404،تشخیص غیرمخرب و خودکار کیفیت تخم مرغ بر مبنای روشهای یادگیری ماشین از تصاویر کندلینگ مادون قرمز،سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند،لارستان
ارائهشده در
مجموعه مقالات سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند28 بهمن 1404 · لارستان