24 August 2017 - پنج شنبه 2 شهريور 1396
جستجوی مقالات
کلید واژگان
جستجوی پیشرفته
شناسنامه ی نشریه
صاحب امتیاز:
موسسه پژوهشی علوم و فناوری رنگ و پوشش
مدیر مسئول:
پروفسور زهرا رنجبر
سردبیر:
دکتر شهره روحانی
مدیر اجرایی:
دکتر مریم عطائی فرد
شاپا چاپی:
2251-7278
شاپا الکترونیکی:
2383-2223
دسترسی سریع
آخرین شماره ها
نظر سنجی
نظر شما در مورد سایت نشریه دنیای رنگ چیست؟
مطلوب
نسبتا مطلوب
نیاز به بهسازی دارد
ضعیف

مروری بر کاربردهای روش‌های پردازش تصویر بر کنترل کیفیت محصولات غذایی-بخش دوم: روش‌های مبتنی بر مُدل و مبتنی بر تبدیل‌های ریاضی در پردازش بافتار

نشریه: سال ششم - شماره چهارم - زمستان 1395 - مقاله 9   صفحات :  83 تا 84



کد مقاله:
JSCW-2016-11-08-10294

مولفین:
سجاد قدرتی: دانشگاه صنعتي اميركبير - مهندسي پليمر
محسن محسنی بزرگی: دانشگاه صنعتي امير كبير - دانشكده مهندسي پليمر و رنگ
سعیده گرجی کندی: دانشگاه صنعتي اميركبير - دانشكده مهندسي پليمر و رنگ


چکیده مقاله:



با افزایش حساسیت‌های قانونی و انتظارات مصرف‌کنندگان در ارتباط با کیفیت محصولات غذایی، نیاز به ارزیابی دقیق و سریع این محصولات در صنایع غذایی روبه افزایش است. بینایی ماشین با بهره‌گیری از روش‌های پردازش تصویر امکان نظارتِ مکانیزه و غیرمخرب بر کیفیت محصولات غذایی را فراهم نموده است. بافتار به‌عنوان یکی از مهم‌ترین ویژگی‌های تصویر، در کنترل کیفیت محصولات غذایی در سال‌های اخیر به‌طور گسترده به کار گرفته شده است. بطور کلی روش‌های ارزیابی بافتار به چهار دسته‌ی آماری، ساختاری، روش‌های مبتنی بر مدل و مبتنی بر تبدیل تقسیم‌بندی می‌شود. در بخش اولِ این پژوهش به مبانی پردازش بافتارِ تصویر با استفاده از روش‌های آماری پرداخته شد. موضوع مورد بحث در بخش دوم، روش‌های مبتنی بر مُدل و تبدیل‌های ریاضی در پردازش بافتار است. روش‌های مبتنی بر مُدل با در نظر گرفتن مُدلی ریاضی جهت یافتن ارتباط بین سطح روشنایی پیکسل‌ها عمل می‌نمایند؛ در حالی که روش‌های مبتنی بر تبدیل با استفاده از کمیّت‌های حاصل از تصاویر انتقال یافته توسط تبدیل‌های ریاضی، توصیفی از بافتار به‌دست می‌دهند. در پژوهش حاضر پس از معرفی نحوه‌ی عملکرد روش‌های مذکور، مثال‌هایی از پژوهش‌های اخیر ارائه شده است که با به‌کارگیری بافتار تصویر کمّی شده به وسیله‌ی این روش‌ها، کنترل کیفیت مواد غذایی را ممکن ساخته‌اند. نتایج حاصل از تحقیقات گذشته نشان می‌دهد که پس از روش‌های آماری، روش‌های مبتنی بر مدل و تبدیل‌های ریاضی در صنایع غذایی در جایگاه دوم (از نظر دقت عملکرد و محبوبیت به‌کارگیری) قرار می‌گیرند.


Article's English abstract:

Consumers increased expectations of high quality food products as well as stringent regulations has increased the need for an accurate and fast method for quality assessment and control of the products in food industries. Machine vision with the aid of various image processing methods has been introduced as an objective, automate, and non-destructive approach capable for food quality control. Texture as one of the most important image's features has been used extensively in food quality monitoring applications. Generally, quantitative texture assessment methods are divided into four groups: statistical, structural, model-based, and transform-based methods. In the first part of this research (part A), the principles of the statistical image texture processing methods were reviewed. The subject of the second part (part B) is model-based and transform-based texture processing methods. Model-based methods quantify image texture by considering a mathematical equation explaining relation between pixels' intensities, while transform-based methods extract textural features of an image which is transformed by mathematical transforms. In the present paper, at first mechanisms of these groups of texture evaluation methods have been presented. Then, examples of recent studies related to employments of image texture in quality control of food products have been reviewed. The results of the previous studies indicate that after statistical methods, model-based and transform-based methods are the most accurate and popular texture evaluation methods in food industries.


کلید واژگان:
بافتار تصویر، صنایع غذایی، روش‌های مبتنی بر مُدل، روش‌های مبتنی بر تبدیل‌های ریاضی، تبدیل فوریه، بُعد فرکتال.

English Keywords:
Image texture, Food industries, Model-based methods, Transform-based methods, Fourier transform, Fractal dimension.

منابع:
1.س قدرتی، م محسنی، س گرجی کندی، "مروری بر کاربردهای روش‌های پردازش تصویر بر کنترل کیفیت محصولات غذایی-بخش اول: روش‌های آماری پردازش بافتار"، نشریه علمی ترویجی مطالعات در دنیای رنگ، جلد 6، شماره 3، 77-65، 1395. 14.س قدرتی، م محسنی، س گرجی کندی، "رابطه چسبندگی و بعد فرکتالی سطح"، نشریه علمی ترویجی مطالعات در دنیای رنگ، جلد 5، شماره 2، 17-3، 1394.

English References:
2. C. Zheng, D.-W. Sun, L. Zheng, "Recent applications of image texture for evaluation of food qualities-a review", Trends Food Sci. Technol., 17, 113–128, 2006. 3. D. Patel, E. R. Davies, I. Hnnah, "The use of convolution operators for detecting contaminants in food images", Pattern Recognit., 29, 1019–1029, 1996. 4. J. C. Russ, F. Brent Neal, "The image processing handbook", 7th ed., North Carolina, USA, CRC press, 2015. 5. M. H. Bharati, J. J. Liu, J. F. MacGregor, "Image texture analysis: methods and comparisons", Chemom. Intell. Lab. Syst., 72, 57–71, 2004. 6. V. Briones, J. M. Aguilera, "Image analysis of changes in surface color of chocolate", Food Res. Int., 38, 87–94, 2005. 7. M. Sonka, V. Hlavac, R. Boyle, "Image processing, analysis, and machine vision", 4th ed., USA, Cengage Learning, 2014. 8. R. C. Gonzalez, R. E. Woods, "Digital image processing", 3rd ed., USA, Pearson, 2007. 9. Y. Huang, R. E. Lacey, L. L. Moore, R. K. Miller, A. D. Whittaker, J. Ophir, "Wavelet textural features from ultrasonic elastograms for meat quality", Trans. ASAE, 40, 1741–1748, 1997. 10. S. G. Mallat, "A theory for multiresolution signal decomposition: the wavelet representation", Pattern Anal. Mach. Intell. IEEE Trans. On, 11, 674–693, 1989. 11. G. Artigues, J. Portell, A. G. Villafranca, H. Ahmadloo, E. Garc?a-Berro, "Discrete wavelet transform fully adaptive prediction error coder: image data compression based on CCSDS 122.0 and fully adaptive prediction error coder", J. Appl. Remote Sens., 7, 74592–74592, 2013. 12. B. B. Mandelbrot, "The fractal geometry of nature", USA, Macmillan, 1983. 13. S. Ghodrati, "Investigation of the image processing methods for surface fractal dimension calculation and its relation with surface roughness and organic coatings adhesion", Master, Amirkabir University of Technology, Tehran, Iran, 2016. 15. M. R. Schroeder, "Fractals, chaos, power laws: Minutes from an infinite paradise", USA, Courier Corporation, 2012. 16. R. Quevedo, L.-G. Carlos, J. M. Aguilera, L. Cadoche, "Description of food surfaces and microstructural changes using fractal image texture analysis", J. Food Eng., 53, 361–371, 2002. 17. A. P. Pentland, "Fractal-based description of natural scenes", Pattern Anal. Mach. Intell. IEEE Trans. On, 6, 661–674, 1984. 18. K. L. Chan, "Quantitative characterization of electron micrograph image using fractal feature", Biomed. Eng. IEEE Trans. On, 42, 1033–1037, 1995. 19. X. Gao, J. Tan, P. Shatadal, H. Heymann, "Evaluating expanded-food sensory properties by image analysis", J. Texture Stud., 30, 291–304, 1999. 20. X. Gao, J. Tan, "Analysis of expanded-food texture by image processing part I: geometric properties", J. Food Process Eng., 19, 425–444, 1996. 21. S. R. Ghate, M. D. Evans, C. K. Kvien, K. S. Rucker, "Maturity detection in peanuts (Arachis hypogaea L) using machine vision", Trans. ASAE, 36, 1941–1947, 1993. 22. E. Cernadas, P. Carri?n, P. G. Rodr?guez, E. Muriel, T. Antequera, "Analyzing magnetic resonance images of Iberian pork loin to predict its sensorial characteristics", Comput. Vis. Image Underst., 98, 344–360, 2005. 23. A. K. Thybo, P. M. Szczypi?ski, A. H. Karlsson, S. D?nstrup, H. S. St?dkilde-J?rgensen, H. J. Andersen, "Prediction of sensory texture quality attributes of cooked potatoes by NMR-imaging (MRI) of raw potatoes in combination with different image analysis methods", J. Food Eng., 61, 91–100, 2004. 24. O. Basset, B. Buquet, S. Abouelkaram, P. Delachartre, J. Culioli, "Application of texture image analysis for the classification of bovine meat", Food Chem., 69, 437–445, 2000. 25. E. P. Berg, F. Kallel, F. Hussain, R. K. Miller, J. Ophir, N. Kehtarnavaz, "The use of elastography to measure quality characteristics of pork semimembranosus muscle", Meat Sci., 53, 31–35, 1999. 26. R. M. Haralick, "Statistical and structural approaches to texture", Proc. IEEE, 67, 786–804, 1979. 27. I. Kavdir, D. E. Guyer, "Apple sorting using artificial neural networks and spectral imaging", Trans. ASAE, 45, 1995-2005, 2002. 28. N. Kondo, U. Ahmad, M. Monta, H. Murase, "Machine vision based quality evaluation of Iyokan orange fruit using neural networks", Comput. Electron. Agric., 29, 135–147, 2000. 29. D. Bertrand, C. Le Guerneve, D. Marion, M. F. Devaux, P. Robert, "Description of the textural appearance of bread crumb by video image analysis", Cereal Chem., 69, 257–261, 1992. 30. D. D. Day, D. Rogers, "Fourier-based texture measures with application to the analysis of the cell structure of baked products", Digit. Signal Process, 6, 138–144, 1996. 31. V. R. Amin, R. Roberts, G. Rouse, "Tissue characterization for beef grading using texture analysis of ultrasonic images", Ultrasonics Symposium, 1993. Proceedings, IEEE 1993, 969–972, 1993. 32. H. L. Zhang, D. E. Wilson, G. H. Rouse, "Frequency and intensity texture analysis for beef quality evaluation and prediction from ultrasound images", Engineering in Medicine and Biology Society, 1994. Engineering Advances: New Opportunities for Biomedical Engineers. Proceedings of the 16th Annual International Conference of the IEEE, 668–669, 1994. 33. K. Shiranita, T. Miyajima, R. Takiyama, "Determination of meat quality by texture analysis", Pattern Recognit. Lett., 19, 1319–1324, 1998. 34. J. Li, J. Tan, F. A. Martz, H. Heymann, "Image texture features as indicators of beef tenderness", Meat Sci., 53, 17–22, 1999. 35. J. Li, J. Tan, P. Shatadal, "Classification of tough and tender beef by image texture analysis", Meat Sci., 57, 341–346, 2001. 36. X. Gao, J. Tan, "Analysis of expanded-food texture by image processing part II: mechanical properties", J. Food Process Eng., 19, 445–456, 1996. 37. J. Tan, H. Zhang, X. Gao, "SEM image processing for food structure analysis", J. Texture Stud., 28, 657–672, 1997. 38. S. Majumdar, D. S. Jayas, "Classification of cereal grains using machine vision: III. Texture models", Trans. ASAE, 43, 1681-1687, 2000. 39. J. Paliwal, N. S. Visen, D. S. Jayas, N. D. G. White, "Cereal grain and dockage identification using machine vision", Biosyst. Eng., 85, 51–57, 2003. 40. J. Paliwal, N. S. Visen, D. S. Jayas, N. D. G. White, "Comparison of a neural network and a non-parametric classifier for grain kernel identification", Biosyst. Eng., 85, 405–413, 2003. 41. A. Fardet, P. M. Baldwin, D. Bertrand, B. Bouchet, D. J. Gallant, J.-L. Barry, "Textural images analysis of pasta protein networks to determine influence of technological processes", Cereal Chem., 75, 699–704, 1998.



فایل مقاله
تعداد بازدید: 942
تعداد دریافت فایل مقاله : 14