با بالاتر رفتن استانداردهای زندگی، پیشرفت تکنولوژی و پردازش تصویر، اهمیت روز افزون کیفیت مواد غذایی؛ صنایع غذایی به استفاده از تکنولوژی‌های جدید روی آورده‌اند. از طرفی دیگر، با افزایش جمعیت و بالا رفتن انتظارات مصرف کنندگان بیش از قبل و همچنین بالا رفتن آگاهی آن‌ها، صنایع غذایی نیازمند تکنیک‌های تحلیلی سریع و دقیق هستند. تولید کنندگان باید محصولات غذایی و کشاورزی با کیفیت بالاتری را به بازار عرضه کنند تا بتوانند خواسته‌های پیچیده مصرف کنندگان را برآورده سازند. سیستم‌های پردازش تصویر، یکی از پیشرفت‌های این عرصه است که به تجزیه و تحلیل محصولات غذایی متفاوت و تضمین کیفیت بالای محصولات کمک شایان توجهی کرده است.
سیستم‌های پردازش تصویر را می‌توان در راستای اهداف متفاوتی مانند طبقه بندی محصولات بر اساس اندازه و شکل، تشخیص نقایص محصولات، وجود میکروب، درجه بندی کیفیت مواد غذایی مورد استفاده قرار داد. می‌توان گفت سیستم‌های پردازش تصویر در صنایع غذایی، پتانسیل بالایی را از خود نشان داده‌اند.
کیفیت مواد غذایی با پارامترهای داخلی و خارجی سنجیده می‌شود. پارامترهای خارجی عبارتند از رنگ سطح، بافت، وجود تیرگی یا نقص، که توسط کارگران، کنترل و طبقه بندی می‌شوند. پارامترهای داخلی عبارتند از: سفتی و نرمی، محتویات، اسیدیته که با تکنیک‌های معمولی ارزیابی می‌شوند. برخی از ویژگی‌ها مانند شیرینی و عطر و طعم؛ همچنین ایمن بودن ماده غذایی (مثلا وجود باکتری‌های بیماری زا بر روی محصول، آلوده بودن آن به مدفوع حیوانات، وجود سموم دفع آفات بر روی محصول و سایر مواد خطرناک) مواردی هستند که قابل اطمینان بودن ماده غذایی را تحت تاثیر قرار می‌دهند.
بررسی همه این موارد در بازار غذایی امروزه توسط تکنیک‌های قدیمی زمان گیر و هزینه بر است. برخلاف روش‌های سنتی که در بررسی کیفیت مواد غذایی به محصولات آسیب وارد می‌کردند، سیستم‌های تصویربرداری کامپیوتری هیچ گونه خسارتی به محصول وارد نمی‌کنند و از تکنیک‌های تحلیل سریع و پردازش درون خطی استفاده می‌کنند. مزیت دیگر این سیستم‌ها این است که می‌توانند برای تجزیه و تحلیل یک آیتم، یا یک دسته از آیتم‌های مواد غذایی و محصولات کشاورزی، مانند میوه‌ها، حتی زمانی که هنوز چیده نشده‌اند، استفاده شوند. با استفاده از تکنیک پردازش تصویر، شدت هر ویژگی آنالیز شده مشخص می‌شود.
پردازش تصویر و مراحل اصلی آن
بینایی ماشین، سیستمی است که تجهیزات و الگوریتم‌هایی دارد که می‌تواند اطلاعات مربوط به شی مورد نظر را کسب کند. از اطلاعات حاصل از آیتم مورد نظر می‌تواند برای طبقه بندی، تشخیص کیفیت، شناسایی ویژگی‌های داخلی و خارجی و غیره استفاده کند.
کسب خصوصیات آیتم طی یک سری از مراحل رخ می‌دهد. تصویر برداری، پیش پردازش، بخش بندی تصویر، بازنمایی و توضیح، تشخیص و تفسیر اساس مراحل فرآیندهای بینایی ماشین و پردازش تصویر هستند و برای رضایت بخش بودن نتیجه نهایی، هر مرحله باید به دقت انجام شود.
با تصویربرداری کامپیوتری، سیگنال الکترونیکی حاصل از دستگاه سنجش به فرم عددی درمی‌آید. دستگاه‌های سونوگرافی، اشعه ایکس، طیف نگار مادون قرمز نزدیک و اسکنر اسناد و سایر دستگاه‌های این چنینی از سنسورهایی برای ایجاد تصاویر دیجیتال استفاده می‌کنند. برای کسب تصویر مناسب، باید از نورپردازی و ترکیب نور مناسبی استفاده شود، برای این هدف از لامپ‌های رشته‌ای، لیزرها، لامپ‌های اشعه ایکس و مادون قرمز استفاده می‌شود.
مرحله قبل از پردازش تصویر شامل یک یا چند عملیات کاهش نویز، تصحیح هندسی شکل، تصحیح سطح خاکستری و تصحیح جابجایی است و هدف آن بهبود کیفیت تصویر است.
بخش بندی تصویر یکی از مهمترین مراحل است. سیستم پردازش تصویر، تصویر را به قسمت‌هایی تفکیک می‌کند. بعد از بخش بندی، تصویر معمولا یک مرز یا یک منطقه را نشان می‌دهد. یک نوع تصویر برای تحلیل اندازه و شکل مناسب است و نوع دیگر برای تعیین بافت و نقص تصویر استفاده می‌شود. نمایش تصویر باید بر طبق کاربرد برنامه ریزی شده، انتخاب شود.
تشخیص و تفسیر برای پردازش تصویر با استفاده از دسته بندی‌کننده‌های آماری یا شبکه‌های عصبی چندلایه انجام می‌شود. این دسته بندی‌ها برای تعیین کیفیت و درجه کیفیت توسط پردازش‌ها و ماشین‌های کنترلی سودمند هستند. منطق فازی، درخت تصمیم گیری و الگوریتم ژنتیک جزئی از تکنیک‌های یادگیری هستند که در راستای این هدف استفاده می‌شوند.
کاربردهای پردازش تصویر در ارزیابی کیفیت و دسته بندی مواد غذایی
از سیستم‌های تصویربرداری کامپیوتری می‌توان برای مرتب سازی محصولات، کشف نقایص، تشخیص خصوصیات داخلی و خارجی مواد غذایی و بازرسی از تجهیزات تولید مواد غذایی و غیره استفاده کرد، طیف گسترده ای از برنامه‌ها برای سیستم‌های تجزیه و تحلیل به کمک کامپیوتر وجود دارند و محبوبیت آن‌ها روز به روز در حال افزایش است. در ادامه ارزیابی کیفیت مواد غذایی و خوراکی‌های مختلف توسط پردازش تصویر را بررسی می‌کنیم.
میوه‌ها و سبزیجات
ظاهر خارجی میوه و سبزیجات تازه یکی از عوامل مؤثر بر درک مصرف کننده است. از آنجایی که اولین درک مصرف کننده یک درک بصری و توجه به ظاهر، طراوات، پلاسیده نبودن و رسیده بودن محصولات است، در زمان ارائه محصول به بازار، در نظر گرفتن این ویژگی‌ها، بسیار مهم است.
سیستم‌های بینایی ماشین، ابزارهای جدیدی هستند که کیفیت را بسته به تقاضای مصرف کننده مشخص می‌کنند. در این روش، بسته بندی محصولات از نظر شکل، تشخیص نقص، درجه بندی کیفیت امکان‌پذیر است.
عده‌ای از پژوهشگران در مورد امکان تشخیص آلودگی بر روی سطح سیب‌ها، با استفاده از تصویربرداری فلورانسی با استفاده از اسکن خطی hyperspectral تحقیق کردند و یک الگوریتم ساده چندوجهی را توسعه دادند. برای تشخیص قسمت‌های آلوده با غلظت‌های مختلف؛ از یک جفت نور خطی قرمز-بنفش استفاده کردند. این الگوریتم از چهار تراکم فلورسانس در چهار باند موج (680، 684، 720 و 780) استفاده می‌کند.
با این روش بیش از 99% نقطه‌های آلوده در سیب‌های آلوده شناسایی شده‌اند. استفاده از این سیستم در خط فرآوری سریع سیب، با هدف جلوگیری از بیماری‌های ناشی از غذا، برای تضمین کیفیت مواد غذایی و کاهش خطرات امکان پذیر است. گروهی دیگر از پژوهشگران یک سیستم اسکن آنلاین سریع با بازتاب Vis / NIR و فلورسانس در VIS ایجاد کردند. این سیستم سرعت پردازش سه سیب در ثانیه را دارد.
با استفاده از تصویربرداری فلورسانس و بازتاب مادون قرمز نزدیک ، عملکرد عالی با میزان ردیابی سموم دفع آفات 100٪ (بدون مثبت کاذب) و 99.5٪ (فقط با 2٪ مثبت مثبت کاذب) بدست آمد. یکی دیگر از سیستم‌های تصویربرداری بسیار قطعی توسط ElMasry و همکارانش توسعه داده شد. در یک مطالعه جدید، لکه‌های روی سیب‌ها قابل تشخیص بودند. سیب‌های لک شده با موفقیت از سیب‌های سالم شناسایی شدند.
تفاوت این سیستم با سیستم قبلی در این است که سیستم قبلی تنها لکه‌هایی که در یک ساعت گذاشته ایجاد شده بودند را تشخیص می‌داد. سیستم همچنین می تواند رنگ سیب‌ها را (قرمز، سبز، زرد) تشخیص دهد.
وانگ و همکارانش نیز به دنبال کشف آلودگی ایجاد شده توسط حشرات در میوه عناب بودند. با استفاده از یک تصویربرداری بازتابی قطعی و پردازش تصویر در طیف 720-400نانومتر این کار را انجام دادند. نتایج طبقه بندی عناب‌های آلوده و غیرآلوده با موفقیت 98% همراه بود.
همچنین با استفاده از پردازش تصاویر بسته قارچ‌ها، بدون لمس آن‌ها، با توجه به رنگ قارچ‌ها، تازگی و کیفیت آن‌ها قابل تشخیص است.
به دلیل سختی تشخیص پلاسیدگی نارنگی‌ها، از نور ماورا بنفش استفاده می‌شد. اما مدتی بعد، به دلیل اثبات ضرری که نور ماورا بنفش برای کارگران داشت، از بینایی ماشین استفاده شد.
برخی از پلاسیدگی‌ها و فساد محصولات به سایر محصولات دیگر منتقل می‌شوند و امکان دارد که یک نارنگی فاسد در یک جعبه همه نارنگی‌های جعبه را خراب کند. سیستم بینایی کامپیوتر، با قابلیت تشخیص درست در 91% از مواقع، توانست جلوی خسارت‌های ناشی از این گونه موارد را بگیرد.
برخی از ویژگی‌های میوه‌ها و سبزیجات را می‌توان بدون آسیب رساندن به محصولات، با بینایی ماشین تشخیص داد. میزان رطوبت، سفتی و نرمی، و مقدار PH میوه‌های توت فرهنگی را می‌توان با تصویربرداری با مادون قرمز با ضریب همبستگی بالا تعیین کرد. برای تعیین سطح رسیده بودن توت فرنگی‌ها، از تجزیه و تحلیل بافت توت فرهنگی بر اساس تصاویر حاصل ماتریس همزمانی وقوع همزمان گام‌های خاکستری (GLCM) استفاده شد. دقت طبقه‌بندی این رویه 89.61% بود.
یکی از تکنیک‌های دیگر در پردازش تصویر، استفاده از دوربین‌های حرارتی است. هدف از این سیستم، نظارت بر فرایند، تنظیم سطح بخار گرما و به دست آوردن یکنواختی بر روی قسمت‌های سطحی از میوه‌هایی مانند هویج با استفاده از یک روش بخار کوتاه 3 ثانیه بود.
گوشت
سیستم‌های تصویربرداری رایانه ای در صنعت گوشت نیز کاربرد دارند. این سیستم‌ها می‌توانند برای تعریف برخی از ویژگی‌های کیفیت گوشت گاو تازه مانند رنگ گوشت، pH و حساسیت به مواد، آلودگی‌ها مورد استفاده قرار گیرند. با استفاده از سیستم تصویربرداری hyperspectral قابلیت شناسایی آلاینده‌هایی مانند مدفوع و مواد سمی بر روی لاشه مرغ و طیور ایجاد شد. این سیستم حدود 140 لاشه را در هر دقیقه بررسی می‌کند.
دیگر مواد غذایی
خرد بودن، یکدستی، یکنواختی و براق بودن سطح ماکارونی در خط تولید نیز تحت مطالعه قرار گرفت. از یک نور LED و یک دوربین CCD برای این کار استفاده شدند. یک سیستم نظارت بر خط دوربین با یک دوربین میکروکنترلر نیز برای فرآیند تجزیه و تحلیل سریع به کار رفته‌اند. خطاها در تعیین خرد شدن ماکارونی و نامنظم بودن و خراب بودن آن‌ها حدود 1% تا 5% بود.
سیستم‌های پردازش تصویر دیگری نیز برای طبقه بندی مافین‌ها و کلوچه‌ها، لوبیاها و حبوبات و سایر مواد غذایی با استفاده از شبکه‌های عصبی و پارامترهایی مانند رنگ و اندازه استفاده شده‌اند.
سیستم تعیین کیفیت عسل از تخمین میزان خاکستری بودن و آنتی اکسیدن در شبکه‌های عصبی مصنوعی استفاده می‌کند. این سیستم کاربرد صنعتی بسیاری دارد.
سیستم‌های بینایی ماشین یا بینایی کامپیوتری در صنایع لبنی نیز قابل استفاده هستند. تعیین ملامین در شیر با یک سیستم تصویربرداری با مادون قرمز امکان پذیر است. مطالعات نشان داده‌اند وجود ملامین بسیار کم در شیر توسط این سیستم‌ها قابل تشخیص است.
نتیجه گیری
این مقاله دانش اساسی در مورد سیستم‌های تجزیه و تحلیل تصویر کامپیوتری مورد استفاده در صنایع غذایی از جمله مرحله کلی پردازش تصویر را نشان می‌دهد و نمونه‌هایی را برای مثال عنوان می‌کند. سیستم‌های تصویربرداری کامپیوتری تخمین برخی پارامترهای کیفیت داخلی و خارجی و افزایش ایمنی و کیفیت محصولات غذایی و کشاورزی را ممکن می سازند.
بازرسی خودکار، سریع، بهداشتی، غیر مخرب و عینی با این سیستم‌ها قابل دستیابی است. داشتن طیف گسترده‌ای از زمینه‌های کاربردی، ارزان بودن و قابل استفاده بودن در فرآیندهای درون خطی و انعطاف پذیری آن‌ها سیستم‌های تصویربرداری را جذاب‌تر کرده است. به نظر می‌رسد که پیشرفت‌های بیشتر در فناوری و توسعه مداوم در فناوری تصویربرداری کامپیوتری، بینایی ماشین، درک بیشتری از این سیستم‌ها را در پی داشته باشد و می‌تواند نیازهای فزاینده صنایع غذایی را برطرف کند.
برای آشنا شدن با کاربردهای دیگر پردازش تصویر می‌توانید به لینک‌های زیر مراجعه کنید:
- کاربرد پردازش تصویر در حوزه مالی
- کاربرد پردازش تصویر در پزشکی
- کاربرد پردازش تصویر در کسب و کار
- کاربرد پردازش تصویر در زندگی روزمره
