امکان رقم بندی ماهی های شوریده (Otolithes ruber) و حلواسفید (Pampus argenteus) به کمک فناوری ماشین بینایی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد بخش مکانیک ماشین‌های کشاورزی دانشگاه شیراز

2 استادیار بخش مکانیک ماشین‌های کشاورزی دانشگاه شیراز

3 استاد بخش مکانیک ماشین‌های کشاورزی دانشگاه شیراز

چکیده

امروزه علم درجه‌بندی و تجهیزات مربوط به آن برای انواع محصولات دریایی در جوامع پیشرفته به‌سرعت در حال رشد است به طوری که، در اکثر واحد‌های بزرگ شیلاتی یا در مجاورت آن‌ها انواع تجهیزات درجه‌بندی یافت می‌شود. ماشین بینایی دارای توانایی بالقوه‌ای است که می‌تواند به‌منزلة روشی دقیق برای تشخیص و ارزیابی خصوصیات ظاهری استفاده شود. در تحقیق حاضر رقم‌بندی ماهی بر اساس گونه، اندازه و وزن به کمک فناوری ماشین بینایی بررسی شد. برای این تحقیق، ماهی‌های شوریده و حلواسفید انتخاب شدند. نخست، هر یک از نمونه ماهی‌ها وزن شد سپس، از همان ماهی درون اتاقک نورپردازی عکس گرفته شد. برای بخش‌بندی تصاویر و عملیات پردازش تصویر از محیط برنامه‌نویسی Matlab استفاده شد. برای تخمین وزن ماهی از روابط رگرسیون خطی و غیر خطی استفاده شد. این معادلات به کمک هفت متغیر مستخرج از پردازش تصویر (طول، ارتفاع، مساحت، محیط، قطر معادل، بزرگ‌ترین قطر و کوچک‌ترین قطر ماهی) و با استفاده از چهار روش ریاضی (خطی، لگاریتمی، نمایی و توانی) ایجاد شدند. ضرایب تبیین روابط تخمین وزن ماهی‌های شوریده و حلواسفید به ترتیب 4/95 و 94 درصد به دست آمد. نتایج نشان داد که بین وزن واقعی و وزن تخمین‌زده‌شده اختلاف معنی‌داری در سطح احتمال 5 درصد وجود ندارد. همچنین، بر اساس واسنجی که روی سامانة ماشین بینایی به منظور تخمین طول انجام گرفت مشخص شد که این سامانه می‌تواند در محدودة طول ماهی‌های اندازه‌گیری‌شده با دقت بالا طول ماهی را اندازه‌گیری کند. این الگوریتم توانست گونه‌های شوریده و حلواسفید را با دقت 100 درصد از یکدیگر تفکیک کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Feasibility of sorting the tigertooth croaker (Otolithes ruber) and silver pomfret (Pampus argenteus) fishes using computer vision technology

نویسندگان [English]

  • Hasan Safiyari 1
  • Abdolabbas Jafari 2
  • Mohammad Hosein Raoufat 3
  • Seyed Mehdi Nassiri 2
1 MSc. Student, Department of Mechanics of Agricultural Engineering, Shiraz University, Iran
2 Assistant Professor, Department of Mechanics of Agricultural Engineering, Shiraz University, Iran
3 Professor, Department of Mechanics of Agricultural Engineering, Shiraz University, Iran
چکیده [English]

Grading science and grading equipment for many kinds of sea products are growing rapidly in developed communities and variety of grading equipment can be found in most of the large fishery units. Computer vision has the potential to be used as a precise method for recognition and assessment of apparent characteristics. In this study, machine vision technology was used to sort fish based on species, size and weight. Tiger-toothed croaker and Silver pomfret fishes were selected for this study. In the first stage, each sample fish was weighted and put in the illumination chamber and images were captured. Matlab environment was used for segmentation and image processing tasks. Linear and non linear regressions were used to estimate fish weight. Seven variables extracted from each image (length, height, area, perimeter, equal diameter, major axis length and minor axis length) in four models of mathematical approach (linear, logarithmic, binomial and exponential) were considered for developing each weight prediction equation. Results indicated that fish weight can be estimated with R2 values of 95.4% and 94% for Tiger-toothed croaker and Silver pomfret, respectively. Model validation was investigated with new data. Results showed that there is not a significant difference between the actual and estimated weight at 5% significance level for all fish species in this study. It was also concluded that the system can accurately measure the length of the fishes using machine vision technology envisaged in this study. The algorithm was also able to sort two species of fishes including Tiger-toothed croaker and Silver pomfret with an accuracy of 100%.

کلیدواژه‌ها [English]

  • computer vision
  • fish
  • silver pomfret (Pampus argenteus)
  • sorting
  • tigertooth croaker (Otolithes ruber)
Anonymous, 2008. Master of applied statistics. http://statmaster.sdu.dk/courses. Accessed Feb. 2012.

Blasco, J., Aleixos, N., Molto, E., 2003. Machine vision system for automatic quality grading of fruit. Biosystems Engineering 85, 415-423.

Brandon, J.R., Searcy, S.W., 1992. Vision assisted tractor guidance for agricultural vehicles. American Society of Automotive Engineers. Report number: 921650, p.

Fehr, B.W., Gerish, J.B., 1995. Vision-guided row crop follower. Applied Engineering in Agriculture 11, 613-620.

Gonzalez, R., and Woods, R. 2002. Digital Image Processing. Addison-Wesley publishing Company, 2nd edition. pp. 716.

Heydari, A. 2009. Image processing in matlab. 1th ed., Tehran: Beh-Avaran Publishers.

Louka, N., F. Juhel, V. Fazilleau and P. Loonis., 2004. A novel colorimetry analysis used to compare different drying fish processes. Food Control. 15: 327-334.

Kondo, N., Ahmad, U., Mitsuji, M., Haruhiko, M., 2000. Machine vision based quality evaluation of Iyokan orange using neural network. Computers and Electronics in Agriculture 29, 135-147.

Mitchell, J. 1994. MPEG: An Image Compression Standard. Engle Wood Cliffs, N. J. Prentice Hall.

Mohebbi M., M.R. Akbarzadeh, F. Shahidi, M.  Moussavi, and Ghoddusi, H. B., 2009. Computer vision systems (CVS) for moisture content estimation in dehydrated shrimp. Computers and Electronics in Agriculture. 69, 128–134.

Mohsenin, N. N. 1986. Physical properties of plant and animal materials. 2nd ed., New York: Gordon and Breach Science Publishers.

Morato, T., Afonso, P., Lourinho, P., Barreiros, J.P., Santos, R.S., Nash, R.D.M., 2001. Length-weight relationships for 21 coastal fish species of the Azores, north-eastern Atlantic. Fisheries Research 50, 297-302.

Odone, F., Trucco, E., and Verri, A. 1998. Visual learning of Weight from Shape using Support Vector Machines. British Machine Vision Conference, London. 469-477.

Poyton, C. A. 1996. Probability, Random variables, and random signal principles. 3rd ed., McGraw-Hill, New York.

Rosa, A., Menezes, G., Melo, O., Pinho, M.R., 2006. Weight–length relationships of 33 demersal fish species from Azores archipelago. Fisheries Research 80, 329-332.

Santos, M.N., Gaspar, M.B., Vasconcelos, P., Monteiro, C.C., 2001. Weight–length relationships for 50 selected fish species of the Algarve coast (southern Portugal). Fisheries research 59, 289-295.

Strachan, N.J.C., 1994. Sea trials of a computer vision based fish species sorting and size grading machine. Mechatronics 4, 773-783.

White, D.J., Svellingen, C., Strachan, N. J. C, 2006. Automated measurement of species and length of fish by computer vision. Fisheries Research 80, 203-210.

Zabihi, J., Nassiri, S.M., Jafari, A., 2014. Estimation of density of trout in fish farm using image processing technique. Journal of Fisheries. 67, 49-59.

Zion, B., Shklyar, A., Karplus, I., 1999. Sorting fish by computer vision. Computers and Electronics in Agriculture 23, 175-187.

Zion, B., Shklyar, A., Karplus, I., 2000. In-vivo fish sorting by computer vision. Aquacultural Engineering 22, 165-179.