یک مدل فضایی-زمانی به منظور پایش و آنالیز رنگ محصول ،مطالعه موردی: محصولات لبنی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران

2 استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

3 دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران

چکیده

چکیده امروزه همگام با پیشرفت فناوری‌های تصویربرداری همچون سیستم‌های بینایی ماشین و اسکنرهای لیزری سه‌بعدی، پایش عملکرد فرآیندهای تولیدی با استفاده از داده‌های تصویری به شکل چشمگیر رو به افزایش است. هدف این پژوهش به‌کارگیری مشاهدات حاصل از یک سیستم پردازش تصویر به‌منظور پیاده‌سازی کنترل آماری فرآیند و ارزیابی کیفیت محصول بر اساس اندازه-گیری مؤلفه‌های رنگ مربوط به تصویر سطح محصول است. در این تحقیق برای پردازش تصویر، محتوای رنگ هر پیکسل در فرمت L*a*b* تعریف می‌شود. سپس، با به‌کارگیری مدل اتورگرسیو فضایی مجموعۀ پارامترهای مربوط به هر تصویر برآورد می‌شوند. از طریق ترسیم نمودارهای کنترل چند متغیره بردار میانگین و ماتریس کوواریانس ضرایب تحت پایش قرار می‌گیرند. نهایتاً از روش آزمون نسبت درستنمایی تعمیم‌یافته برای تخمین نقطه تغییر استفاده‌شده است. نتایج حاصل از یک مطالعه موردی مربوط به صنایع تولید فرآورده‌های لبنی نحوه کاربرد روش پیشنهادی را نشان می‌دهد.

کلیدواژه‌ها


[1] D. Wu and D.-W. Sun, ‘Colour measurements by computer vision for food quality control – A review’, Trends Food Sci. Technol., vol. 29, no. 1, pp. 5–20, Jan. 2013.
[2] Brosnan, T., & Sun, D. W. (2004). Improving quality inspection of food products by computer vision––a review. Journal of food engineering, 61(1), 3-16.
[3] Huang, H., Yu, H., Xu, H., & Ying, Y. (2008). Near infrared spectroscopy for on/in-line monitoring of quality in foods and beverages: A review. Journal of food engineering, 87(3), 303-313.
[4] Huang, W., Li, J., Zhang, B., & Fan, S. (2018). Quality of Vegetable Products: Assessment of Physical, Chemical, and Microbiological Changes in Vegetable Products by Nondestructive Methods. In Quantitative Methods for Food Safety and Quality in the Vegetable Industry (pp. 113-159). Springer, Cham.
[5] Liu, J., Tang, Z., Chen, Q., Xu, P., Liu, W., & Zhu, J. (2016). Toward automated quality classification via statistical modeling of grain images for rice processing monitoring. International Journal of Computational Intelligence Systems, 9(1), 120-132.
[6] Kiani, S., van Ruth, S. M., & Minaei, S. (2018). Hyperspectral imaging, a non-destructive technique in medicinal and aromatic plant products industry: Current status and potential future applications. Computers and Electronics in Agriculture, 152, 9-18.
[7] Li, B., Lecourt, J., & Bishop, G. (2018). Advances in non-destructive early assessment of fruit ripeness towards defining optimal time of harvest and yield prediction—a review. Plants, 7(1), 3.
[8] Solak, S., & Altinişik, U. (2018). A new method for classifying nuts using image processing and k‐means++ clustering. Journal of Food Process Engineering, 41(7), e12859.
[9]  Rodríguez, F. J., García, A., Pardo, P. J., Chávez, F., & Luque-Baena, R. M. (2018). Study and classification of plum varieties using image analysis and deep learning techniques. Progress in Artificial Intelligence, 7(2), 119-127.
[10] Mogol, B. A., & Gökmen, V. (2014). Computer vision‐based analysis of foods: A non‐destructive colour measurement tool to monitor quality and safety. Journal of the Science of Food and Agriculture, 94(7), 1259-1263.
[11] Al-Sarayreh, M., M Reis, M., Qi Yan, W., & Klette, R. (2018). Detection of Red-Meat Adulteration by Deep Spectral–Spatial Features in Hyperspectral Images. Journal of Imaging, 4(5), 63.
[12] پوردربانی، ر.، قاسم­زاده، ح. و بهفر، ح. (1388).امکان‌سنجی درجه‌بندی کیفی سیب با استفاده از پردازش تصویر، پژوهش‌های صنایع غذایی، جلد(19)، شماره ١.
[13] نعمتی نیا، الف.، مهدی زاده، س. و ناصحی، ب. (1396). اندازه­گیری پارامترهای رنگ در اسپاگتی با استفاده از سیستم بینایی ماشین، علوم و صنایع غذایی، جلد(14)، شماره 73.
[14] L. Fernández, C. Castillero, and J. M. Aguilera, ‘An application of image analysis to dehydration of apple discs’, J. Food Eng., vol. 67, no. 1–2, pp. 185–193, Mar. 2005.
[15] A. Rocha, D. C. Hauagge, J. Wainer, and S. Goldenstein, ‘Automatic fruit and vegetable classification from images’, Comput. Electron. Agric., vol. 70, no. 1, pp. 96–104, Jan. 2010.
[16] S. Arivazhagan, R. N. Shebiah, S. S.     Nidhyanandhan, and L. Ganesan, ‘Fruit Recognition using Color and Texture Features’, vol. 1, no. 2, p. 6, 2010.
[17] شریفی، ج. و وکیلی، الف. (1395). درجه‌بندی کیفیت سیب با پردازش تصویر و شبکه عصبی، دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق.
[18] طیبی، د.، شهیدی، س. و رحمانی، ع. (1387). درجه‌بندی اتوماتیک سیب‌زمینی با استفاده از سیستم شبکه‌های عصبی مصنوعی RBF، پنجمین کنگره ملی مهندسی ماشین‌های کشاورزی و مکانیزاسیون.
[19] دهکردی، م.، صادقی، ح. و طاهریان، س. (1390). درجه‌بندی کیفیت سیب بر اساس رنگ به کمک پردازش تصویر و شبکه­های عصبی، چهاردهمین کنفرانس دانشجویی مهندسی برق ایران.
[20] سیاهویی، ع. و حسینی، س. (1395). مروری بر تکنیک­­های جدید پردازش تصویر به‌منظور درجه‌بندی سیب، دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق.
[21] محمدکاظمی، ف. و پناهی لائین، ف. (1390). ارزیابی رنگ میوه انبه برای درجه‌بندی کیفیت آن با استفاده از پردازش تصویر، اولین همایش تخصصی سیستم‌های هوشمند کامپیوتری و کاربردهای آن‌ها.
[22] رستم خانی، م.، ملکی، ع. و بشارتی، ش. (1393). درجه‌بندی کیفی گوشت با استفاده از پردازش، اولین همایش ملی کشاورزی، محیط‌زیست و امنیت غذایی.
 [23] Alaeddini, A., Motasemi, A., & Faruqui, S. H. A. (2018). A spatiotemporal outlier detection method based on partial least squares discriminant analysis and area Delaunay triangulation for image-based process monitoring. IISE Transactions, 50(2), 74-87.
 [24] Megahed, F. M., Woodall, W. H., & Camelio, J. A. (2011). A review and perspective on control charting with image data. Journal of Quality Technology, 43(2), 83-98.
[25] Yan, H., Paynabar, K., & Shi, J. (2015). Image-based process monitoring using low-rank tensor decomposition. IEEE Transactions on Automation Science and Engineering, 12(1), 216-227.
[26] R. L. Horst and M. Negin, ‘Vision system for high-resolution dimensional measurements and on-line SPC: web process application’, IEEE Trans. Ind. Appl., vol. 28, no. 4, pp. 993–997, Aug. 1992.
[27] Jamshidieini, B. and Fazaee, R., 2016. Detecting defective electrical components in heterogeneous infra-red images by spatial control charts. Infrared Physics & Technology, 76, pp.510-520.
[28] Z. He, L. Zuo, M. Zhang, and F. M. Megahed, ‘An image-based multivariate generalized likelihood ratio control chart for detecting and diagnosing multiple faults in manufactured products’, Int. J. Prod. Res., vol. 54, no. 6, pp. 1771–1784, Mar. 2016.
[29]  M. Koosha, R. Noorossana, and F. Megahed, ‘Statistical process monitoring via image data using wavelets’, Qual. Reliab. Eng. Int., vol. 33, no. 8, pp. 2059–2073, Dec. 2017.
 [30] H. J. Trussell, E. Saber, and M. Vrhel, ‘Color image processing: Basics and special issue overview’, IEEE Signal Process. Mag., vol. 22, no. 1, 2005.
[32] K. L. Yam and S. E. Papadakis, ‘A simple digital imaging method for measuring and analyzing color of food surfaces’, J. Food Eng., vol. 61, no. 1, pp. 137–142, Jan. 2004.
[33] W. Liu, J. Ji, H. Chen, and C. Ye, ‘Optimal Color Design of Psychological Counseling Room by Design of Experiments and Response Surface Methodology’, PLoS ONE, vol. 9, no. 3, p. e90646, Mar. 2014.
[34] K. León, D. Mery, F. Pedreschi, and J. León, ‘Color measurement in L∗a∗b∗ units from RGB digital images’, Food Res. Int., vol. 39, no. 10, pp. 1084–1091, Dec. 2006.
[35] D. Wu and D.-W. Sun, ‘Colour measurements by computer vision for food quality control – A review’, Trends Food Sci. Technol., vol. 29, no. 1, pp. 5–20, Jan. 2013.
[36] A. Tárrega and E. Costell, ‘Colour and consistency of semi-solid dairy desserts: Instrumental and sensory measurements’, J. Food Eng., vol. 78, no. 2, pp. 655–661, Jan. 2007.
[37] G. L. Marcazzan, C. Mucignat-Caretta, C. Marina Marchese, and M. L. Piana, ‘A review of methods for honey sensory analysis’, J. Apic. Res., vol. 57, no. 1, pp. 75–87, Jan. 2018.
[38] A. M. Roland, L. G. Phillips, and K. J. Boor, ‘Effects of Fat Content on the Sensory Properties, Melting, Color, and Hardness of Ice Cream’, J. Dairy Sci., vol. 82, no. 1, pp. 32–38, Jan. 1999.
[39] Megahed, F.M., Wells, L.J., Camelio, J.A. and Woodall, W.H., ‘A spatiotemporal method for the monitoring of image data’, Quality and Reliability Engineering International, 28(8), pp.967-980, 2012.
[40] Montgomery, D. C, ‘Introduction to statistical quality control ’, John Wiley & Sons, 2007.
[41] Sullivan, J. H., & Woodall, W. H, ‘Change-point detection of mean vector or covariance matrix shifts using multivariate individual observations’, IIE transactions32(6), 537-549,2000.
[42] Runger, G. C., Alt, F. B., & Montgomery, D. C. ‘Contributors to a multivariate statistical process control chart signal’, Communications in Statistics--Theory and Methods25(10), 2203-2213, 1996.