توصيفگر ها :
تصويربرداري ابرطيفي , مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاس , يادگيري عميق , نارنگي , پيش‌پردازش
چكيده فارسي :
نارنگي به عنوان يكي از مهم‌ترين مركبات در جهان از اهميت اقتصادي و سلامتي بالايي برخوردار است. نارنگي به عنوان يك منبع غني از ويتامين C، آنتي‌اكسيدان‌ها و مواد مغذي مورد توجه قرار مي‌گيرد. ايران در ميزان توليد نارنگي، رتبه دهم را در جهان به خود اختصاص داده است. در نواحي مهم پرورش مركبات، هر ساله سرما و يخ‌زدگي موجب كاهش كمي و كيفي نسبتاً زياد اين محصول مي‌شود. آسيب‌هاي سرمازدگي و يخ‌زدگي مي‌توانند در هر ميوه‌اي روي درخت يا بعد از برداشت در اثر شرايط انبار نامناسب اتفاق بيفتند. در تشخيص سرمازدگي و يخ‌زدگي، معمولاً از روش‌هايي استفاده مي‌شود كه مخرب و زمان‌بر هستند و امكان بازرسي تمام محصولات در خط درجه‌بندي را فراهم نمي‌آورند. در اين پژوهش، امكان استفاده از روش غيرمخرب تصويربرداري ابرطيفي در تشخيص زودهنگام و سريع آسيب‌هاي سرمازدگي و يخ‌زدگي در مركبات بررسي شده است. براي انجام اين پژوهش، 200 عدد نارنگي از بازار محلي تهيه شدند. نمونه‌ها ابتدا تحت تيمارهاي دمايي مختلف قرار گرفتند تا در آن‌ها آسيب سرمازدگي و دو سطح آسيب يخ‌زدگي شبيه‌سازي شود. پس از آن نمونه‌هاي آسيب‌ديده به مدت 24 ساعت در دماي اتاق قرار گرفتند. پس از اندازه‌گيري مشخصه‌هاي فيزيكي (وزن و اندازه) و رنگ (شاخص‌هاي *L، *a و *b)، تصاوير ابرطيفي نمونه‌ها با استفاده از سامانه تصويربرداري ابرطيفي در دو مد بازتابشي و عبوري تهيه شدند. اين سامانه شامل بخش‌هاي اصلي مانند منابع نور با قابليت تنظيم شدت نور، دوربين ابرطيفي مجهز به آشكارساز CCD با توانايي ثبت تصاوير ابرطيفي در طول‌موج‌هاي 400 تا 1100 نانومتر است. از دو شيوه متفاوت تحليل طيفي مبتني بر طيف ميانگين ناحيه متعلق به نمونه و تحليل پيكسل مبنا مبتني بر داده‌هاي طيفي هر پيكسل براي شناسايي و طبقه‌بندي نمونه‌هاي سالم، سرمازده، يخ‌زده سطح 1 و يخ‌زده سطح 2 استفاده شد. در روش طيف ميانگين پس از پيش‌پردازش داده‌هاي طيفي، از روش طبقه‌بندي مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاس (SIMCA) براي طبقه‌بندي نمونه‌ها استفاده شد. در حالي كه در روش پيكسل مبنا از داده‌هاي طيفي هر پيكسل به عنوان ورودي به روش يادگيري عميق براي طبقه‌بندي تشخيص استفاده شد. بهترين نتيجه براي طبقه‌بندي سطوح مختلف آسيب‌هاي سرمازدگي و يخ‌زدگي با روش طيف ميانگين در مد بازتابشي و با استفاده از داده‌هاي خام بدست آمد كه در آن مدل SIMCA مربوط توانست با دقت 100 درصد نمونه‌هاي هر چهار كلاس سالم، سرمازده، يخ‌زده سطح 1 و يخ‌زده سطح 2 را تشخيص دهد. اين در حالي بود كه طيف ميانگين مد عبوري منجر به دقت پايين‌‌تري نسبت به مد بازتابشي شد به نحوي كه بهترين مدل SIMCA در اين وضعيت به كمك پيش‌پردازش مشتق دوم توانست با دقت 89/47 درصد نمونه‌هاي متعلق به دسته آزمون را طبقه‌بندي كند. در تحليل‌هاي پيكسل مبنا، وضعيت تشخيص برعكس تحليل‌هاي مبتني بر طيف ميانگين بدست آمد. در اين حالت مدل يادگيري عميق مبتني بر داده‌هاي مد عبوري با ساختار 666-512-1024-1024-512-256-64-4 منجر به دقت 94/1 درصد در مرحله اعتبارسنجي شد. اين درحاليست كه مدل يادگيري عميق مبتني بر داده‌هاي بازتابشي با ساختار 580-512-1024-1024-512-256-64-4 توانست با دقت 91/7 درصد، پيكسل‌هاي متعلق به چهار كلاس مورد مطالعه را تشخيص دهد. با بكارگيري مدل‌ها بر روي تصاوير هر كلاس و استخراج تصاوير رنگي، نتايج حاكي از قدرت بيشتر وضعيت عبوري در تشخيص آسيب‌هاي سرمازدگي و يخ‌زدگي نارنگي بود.
چكيده انگليسي :
Mandarin, as one of the most important citrus fruits, have high economic and health value. Mandarins are considered a rich source of vitamin C, antioxidants, and nutrients. Iran ranks 10th in the world in mandarin production. In the key citrus cultivation areas, chilling and freezing damages cause significant quantitative and qualitative reductions in mandarin yield each year. Freeze damage can occur in any fruit on the tree or after harvest due to improper storage conditions. The standard methods used to detect chilling and freezing damages are usually destructive and time-consuming, making it impractical to inspect all fruits in the grading line. This research aims to investigate the feasibility of the non-destructive hyperspectral imaging method for the early and rapid diagnosis of chilling and freezing damages in mandarin fruits. For this study, 200 mandarin samples were obtained from the local market. The samples were subjected to different temperature treatments to simulate chilling damage as well as two levels of freezing damage. The damaged samples were then kept at room temperature for 24 hours. Physical characteristics such as weight, size, and color (L*, a*, and b* indices) were measured, and hyperspectral images of the samples were acquired using a hyperspectral imaging system in both reflection and transmission modes. The hyperspectral imaging system consisted of light sources with adjustable intensity and a hyperspectral camera equipped with a CCD detector capable of recording hyperspectral images in the wavelength range of 400 to 1100 nm. Two different methods of spectral analysis were employed: average spectrum analysis of the sample's region of interest (ROI) and pixel-based analysis using the spectral data of each pixel. These methods aimed to identify and classify healthy samples, as well as those with different levels of chilling and freezing damages. In the average spectrum method, the soft independent modeling of class analogy (SIMCA) method was used for classification after spectral data preprocessing. In the pixel-based method, deep learning techniques were applied using the spectral data of each pixel for recognition of the four studied classes. The best results using the average spectrum method were achieved in the reflectance mode, where raw data resulted in a perfect accuracy of 100% for classifying different levels of chilling and freezing damages. In the transmission mode, the average spectrum approach had lower accuracy than the reflective mode. Using the SIMCA model with second derivative preprocessing, accurate classification of 89.47% of the test set samples was achieved. In the pixel-based analysis, the results were opposite to the average spectrum analyses. The deep learning model based on transmission mode data with a structure of 666-512-1024-512-256-64-4 achieved an accuracy of 94.1% in the validation stage. Similarly, the deep learning model based on reflectance data with a structure of 580-512-1024-1024-512-256-64-4 accurately recognized pixels belonging to the four studied classes with an accuracy of 91.7%. Applying the models to the images of each class and extracting color images revealed the superior detection capability of the transmission mode for frost damage and freezing detection in mandarins.
