عنوان

تشخیص بادام‌زمینی آلوده به آفلاتوکسین مبتنی بر پردازش تصویر و روش‌های جداسازی هوشمند,‮‭Identification of Aflatoxin contaminated peanut based on image processing and intelligent separation methods‬

Number

‭۲۰۶۵۳پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تشخیص بادام‌زمینی آلوده به آفلاتوکسین مبتنی بر پردازش تصویر و روش‌های جداسازی هوشمند

Parallel Title Proper

‮‭Identification of Aflatoxin contaminated peanut based on image processing and intelligent separation methods‬

First Statement of Responsibility

/پیمان ضیائی

Name of Publisher, Distributor, etc.

: کشاورزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۷‬

Name of Manufacturer

، میرزائی

Specific Material Designation and Extent of Item

‮‭۸۷‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی مکانیک بیوسیستم گرایش فناوری پس از برداشت

Date of degree

‮‭۱۳۹۷/۱۰/۲۵‬

Body granting the degree

تبریز

Text of Note

بادام‌زمینی یکی از مواد غذایی مهم در جهان و دارای بیش‌صترین تقاضا در میان تمام آجیل‌ها است .با توجه به اهمیت صادرات این محصول، درجه‌صبندی مناسب باید انجام پذیرد .یکی از موانع موجود در خصوص مشتری‌پسندی و صادرات بادام‌صزمینی مسئله آلودگی به قارچ‌صها و تولید سم آفلاتوکسین می‌صباشد .متأسفانه در حدود ‮‭۲۵‬ بادام‌زمینی و فرآورده‌های آن در جهان، آلوده به آفلاتوکسین می‌باشند .قارچ‌ها بر روی تعدادی از محصولات کشاورزی، تحت شرایط مطلوب دما و فشار، قبل از برداشت و یا در طول ذخیره‌سازی رشد می‌کنند .در صورت آلودگی محصول، باید با حذف آفلاتوکسین، محصول مورد نظر سالم‌سازی گردد .پیشگیری از آلودگی به آفلاتوکسین حیاتی است، درحالی‌که ضدعفونی نمودن دشوار است و اغلب باعث کاهش کیفیت یا کمیت از محصول تجاری می‌شود .در این پژوهش سعی بر آن است تا محصول آلوده از محصول سالم به روش غیر مخرب جداسازی شود، طرح پیشنهادی شامل دو بخش سخت‌افزاری و نرم‌افزاری می‌صباشد .بخش سخت‌افزاری شامل محفظه، دوربین دیجیتال، منابع مختلف نورپردازی ازجمله لامپ‮‭LED‬ ، ‮‭UV‬ و فلورسنت بوده و در بخش نرم‌افزاری از جعبه‌ابزارهای مختلف نرم‌صافزار ‮‭MATLAB R۲۰۱۵b‬ استفاده شده است .در راستای اهداف پایان‌صنامه سه روش نورپردازی با لامپ‮‭LED‬ ، ‮‭UV‬ و فلورسنت و دو نوع پس‌صزمینه سیاه و سفید برای تشخیص آلودگی آفلاتوکسین بر روی بادام‌زمینی‌های نمونه به‌کار رفت .پس از اخذ تصاویر، در دو بازه‌صی زمانی ‮‭۴۸‬ و ‮‭۷۲‬ ساعت پس از آلوده‌صسازی، پردازش تصویر انجام و ویژگی‌های مناسب استخراج گردیدند .در مطالعه‌ی حاضر از پردازش تصویر برای استخراج خصوصیات هندسی و مؤلفه‌های رنگی در ‮‭۳‬ فضای‮‭RGB‬ ، ‮‭Lab‬ و ‮‭HSI‬ استفاده شد .سپس ویژگی‌صهای حاصله) اشباع و درصد آلودگی (جهت طبقه‌صبندی و آموزش سامانه با روش‌صهای طبقه‌صبندی هوشمند ازجمله‮‭ANN‬ ، ‮‭SVM‬ و ‮‭ANFIS‬ به‌کاربرده شد .تحلیل نتایج نشان داد که برای حالت مقایسه بین تیمارهای شاهد و ‮‭۷۲‬ ساعت بعد از آلودگی نوع نورپردازی با لامپ ‮‭LED‬ و پس‌صزمینه سفید با طبقه‌صبند ‮‭ANN‬ با درصد طبقه‌صبندی ‮‭۷۳/۹۹‬ و برای حالت مقایسه بین تیمارهای شاهد و ‮‭۴۸‬ ساعت بعد از آلودگی نوع نورپردازی با لامپ ‮‭UV‬ و پس‌صزمینه سیاه با طبقه‌صبند ‮‭ANFIS‬ با درصد طبقه‌صبندی ‮‭۸۸/۹۹‬ بهترین طبقه‌صبندی را ارائه دادند .لذا با توجه به نتایج، برای تشخیص آلودگی در مراحل ابتدایی کاربرد لامپ ‮‭UV‬ با پس‌صزمینه سیاه بهترین انتخاب خواهد بود

Text of Note

Peanut is one of the main agricultural productions throughout the world and demand for this nut is more than the others. Considering the importance of peanut exports, appropriate classification should be done. One of the existing obstacles of customer preference and peanut export is fungal contamination and aflatoxin development. Unfortunately, almost 25 of peanut and its productions entire the world are aflatoxin contaminated. Under optimum condition of temperature and air pressure, funguses grow in the surface on different plants and in pre-harvest or during storage phase. In case of product contamination, it must get hygienic by removing the aflatoxin. Prevention of aflatoxin contamination is crucial while plant disinfect in the face of aflatoxin is difficult, and mostly leads to decreasing commercial plant quantity and quality. In present study, safe and infected product separation from each other based on non-destructive test was tried. Offered plan contains two software and hardware parts. Hardware part includes enclosure, digital camera, and various lighting sources including LED bulb, UV and fluorescent lamps. Also, software part of plan different tools of MATLAB R2015b software was used. Therefore, three types of lighting (LED bulbs, fluorescents and UV) and two black and white background types were used to recognize aflatoxin contamination on sample groundnut. After gathering pictures, in time-periods of 48 and 72 hours after contamination, image processing was done and suitable features were extracted. In this study, image processing was performed to extract geometric properties and colorful components in three RGB, LAB and HSI spaces. Then, obtained features were used for classifying and training the system with intelligent classification methods such as artificial neural network, SVM and ANFIS. Results indicated that for both separation of control and 72 hours after contamination, lightning with LED and white background with ANN with classify percentage of 99.73 and separation of control and 48 hours after contamination, lightning with UV and black background with ANFIS with classification percentage of 99.88 were best methods. Therefore, according to results in order to detect contamination in primary phase application of UV lamp with black background would be the best choice

Parallel Title

‮‭Identification of Aflatoxin contaminated peanut based on image processing and intelligent separation methods‬

ضیائی، پیمان

Ziyaee, Peyman

محمودی، اصغر، استاد راهنما

بهفر، حسین، استاد مشاور

غفاری، حسین، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی