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

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 یک...

Full description

Saved in:
Bibliographic Details
Main Authors: سجاد قدرتی, محسن محسنی بزرگی, سعیده گرجی کندی
Format: Article
Language:fas
Published: Institute for Color Science and Technology 2017-02-01
Series:مطالعات در دنیای رنگ
Subjects:
Online Access:https://jscw.icrc.ac.ir/article_76430_adf3e0d0ceb92e416a85f03903008497.pdf
Tags: Add Tag
No Tags, Be the first to tag this record!
_version_ 1832542317243793408
author سجاد قدرتی
محسن محسنی بزرگی
سعیده گرجی کندی
author_facet سجاد قدرتی
محسن محسنی بزرگی
سعیده گرجی کندی
author_sort سجاد قدرتی
collection DOAJ
description 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.
format Article
id doaj-art-8bb71c74655143e5a96d20e5951569d3
institution Kabale University
issn 2251-7278
2383-2223
language fas
publishDate 2017-02-01
publisher Institute for Color Science and Technology
record_format Article
series مطالعات در دنیای رنگ
spelling doaj-art-8bb71c74655143e5a96d20e5951569d32025-02-04T07:20:45ZfasInstitute for Color Science and Technologyمطالعات در دنیای رنگ2251-72782383-22232017-02-01640076430مروری بر کاربردهای روش‌های پردازش تصویر بر کنترل کیفیت محصولات غذایی-بخش دوم: روش‌های مبتنی بر مُدل و مبتنی بر تبدیل‌های ریاضی در پردازش بافتارسجاد قدرتی0محسن محسنی بزرگی1سعیده گرجی کندی2مهندسی پلیمر، دانشگاه صنعتی امیرکبیردانشکده مهندسی پلیمر و رنگ، دانشگاه صنعتی امیر کبیردانشکده مهندسی پلیمر و رنگ، دانشگاه صنعتی امیرکبیربا 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.https://jscw.icrc.ac.ir/article_76430_adf3e0d0ceb92e416a85f03903008497.pdfبافتار تصویرصنایع غذاییروش‌های مبتنی بر مُدلروش‌های مبتنی بر تبدیل‌های ریاضیتبدیل فوریهبُعد فرکتال
spellingShingle سجاد قدرتی
محسن محسنی بزرگی
سعیده گرجی کندی
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
مطالعات در دنیای رنگ
بافتار تصویر
صنایع غذایی
روش‌های مبتنی بر مُدل
روش‌های مبتنی بر تبدیل‌های ریاضی
تبدیل فوریه
بُعد فرکتال
title 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
title_full 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
title_fullStr 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
title_full_unstemmed 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
title_short 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
title_sort 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
topic بافتار تصویر
صنایع غذایی
روش‌های مبتنی بر مُدل
روش‌های مبتنی بر تبدیل‌های ریاضی
تبدیل فوریه
بُعد فرکتال
url https://jscw.icrc.ac.ir/article_76430_adf3e0d0ceb92e416a85f03903008497.pdf
work_keys_str_mv AT sjạdqdrty mrwrybrḵạrbrdhạyrwsẖhạyprdạzsẖtṣwyrbrḵntrlḵyfytmḥṣwlạtgẖdẖạyybkẖsẖdwmrwsẖhạymbtnybrmudlwmbtnybrtbdylhạyryạḍydrprdạzsẖbạftạr
AT mḥsnmḥsnybzrgy mrwrybrḵạrbrdhạyrwsẖhạyprdạzsẖtṣwyrbrḵntrlḵyfytmḥṣwlạtgẖdẖạyybkẖsẖdwmrwsẖhạymbtnybrmudlwmbtnybrtbdylhạyryạḍydrprdạzsẖbạftạr
AT sʿydhgrjyḵndy mrwrybrḵạrbrdhạyrwsẖhạyprdạzsẖtṣwyrbrḵntrlḵyfytmḥṣwlạtgẖdẖạyybkẖsẖdwmrwsẖhạymbtnybrmudlwmbtnybrtbdylhạyryạḍydrprdạzsẖbạftạr