پديد آورنده :
ادريس، مهسا
عنوان :
ارزيابي مراحل رسيدگي گوجه فرنگي گلخانه اي با تحليل تصاوير ديجيتال
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مكانيك بيوسيستم
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
هشت، 74 ص:مصور، جدول
استاد مشاور :
احمد ميره اي، مريم حقيقي
توصيفگر ها :
شبكه عصبي مصنوعي , بلوغ , گوجه فرنگي , MATLAB , RGB , *L*a*b
استاد داور :
مرتضي صادقي، ناصر همدل
تاريخ ورود اطلاعات :
1398/04/22
تاريخ ويرايش اطلاعات :
1398/04/22
چكيده فارسي :
چکیده گوجهفرنگیها کاالهاي تجاري هستند که نقش مهمی در اقتصاد ایران ایفا می کنند از نظر تغذیه اي مصرف پردازش و ارزش صادرات آنها یکی از مهمترین محصوالت گیاهی در ایران محسوب می شوند آنها ممکن است در مراحل مختلف بلوغ برداشت شوند و هر مرحله بلوغ داراي ویژگی هاي کیفیت آن است از سوي دیگر پذیرش گوجه فرنگی براي خوردن بستگی به عوامل بسیاري از جمله رنگ خارجی و سفتی دارد مراحل رشد ششگانه براي گوجهفرنگی تازه در بازار تقریبا به طور کامل بر تغییر رنگ خارجی میوه از سبز تا قرمز یعنی تخریب کلروفیل و سنتز لیکوپن استوار است درجهبندي رنگ یک قدم مهم در پردازش میوهها و سبزیجات است که به طور مستقیم بر سودآوري تاثیر می گذارد زیرا کیفیت محصوالت کشاورزي اغلب با رنگ آنها همراه است در این مطالعه تجربی حاضر با هدف توسعه یک روش تحلیل تصویر رنگی براي شناسایی مراحل رسیدن به گوجهفرنگی انجام شد تصاویر RGB قرمز سبز و آبی از هر یک از گوجهفرنگی اسکن شده و تبدیل به مقادیر L a b می شوند مقادیر RGB گوجه فرنگی توسط MATLAB پردازش شده و براي شناسایی مرحله رسیدن به گوجهفرنگی استفاده می شود عالوه بر این خواص مکانیکی فیزیکی و شیمیایی گوجهفرنگی به صورت آزمایشی تعیین شد یک شبکه عصبی مصنوعی ANN با دو مرحله طبقه بندي توسعه یافت الف ورودي ها شامل RGB و L a b و خروجی ها پارامترهاي مکانیکی و شیمیایی و مرحله بلوغ گوجه فرنگی b ورودي شامل L a b RGB و پارامترهاي فیزیکی و شاخص هاي رنگ خروجی خواص مکانیکی و شیمیایی نتایج نشان داد که انحراف پیشگویی باقیمانده RPD انرژي جذب شده در آزمایش فشرده سازي و درجه بلوغ گوجهفرنگی به ترتیب برابر 73 2 و 42 7 می باشد بنابراین گوجهفرنگی با درجه متفاوت بلوغ می تواند با استفاده از مدل سازي ANN و استفاده از اجزاي RGB به عنوان ورودي ها جدا شود کلمات کلیدی شبکه عصبی مصنوعی MATLAB L a b بلوغ RGB گوجه فرنگی 1
چكيده انگليسي :
Evaluation of greenhouse tomato fruit maturity stages using digital image analysis Mahsa Edriss m edriss@ag iut ac ir June 10 2019 Department of Biosystems Engineering College of Agriculture Isfahan University of Technology Isfahan 84156 83111 IranDegree MSc Language FarsiSupervisor Prof A Hemmat ahemmat@cc iut ac irAbstractTomatoes are commercial commodities that play a major role in Iranian economy They areconsidered one of the major vegetable crops in Iran because of its nutritional consumption processing and export value They may be harvested at different maturity stages and eachmaturity stage has its characteristics of quality On the other hand acceptance of tomato foreating depends on many factors such as external color and stiffness The traditional six ripenessstages for fresh market tomatoes are based almost entirely on the external color change of thefruit from green to red i e destruction of chlorophyll and synthesis of lycopene Color gradingis a crucial step in the processing of fruits and vegetables that directly affects profitability because the quality of agricultural products is often associated with their color In this presentexperimental study aimed to develop a color image analysis procedure for identifying theripening stages of tomato RGB Red Green and Blue images of each tomato were capturedand converted to L a b values The RGB values of the tomato were processed by theMATLAB and used to identify the stage of tomato ripeness In addition the mechanical physical and chemical properties of tomato was experimentally determined An artificial neuralnetwork ANN was developed with two stages of classification a the inputs consisted ofRGB and L a b values and the outputs were mechanical and chemical parameters and thetomato maturity stage b the input consisted of RGB L a b values and the physicalparameters and color indices the outputs mechanical and chemical properties The resultsshowed that residual predictive deviation RPD of the absorbed energy during compressiontesting and the degree of maturity of tomato were about 2 37 and 7 24 respectively Therefore the tomato with different degree of maturity can be separated by using ANN modeling andusing and RGB components as inputs Key words Artificial Neural Network L a b MATLAB Maturity RGB Tomato 75
استاد مشاور :
احمد ميره اي، مريم حقيقي
استاد داور :
مرتضي صادقي، ناصر همدل
