Tóm tắt Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu các kỹ thuật nhận dạng mẫu và ứng dụng đánh giá chất lượng trái bưởi

1 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG HỒ ĐỨC LĨNH NGHIÊN CỨU CÁC KỸ THUẬT NHẬN DẠNG MẪU VÀ ỨNG DỤNG ĐÁNH GIÁ CHẤT LƯỢNG TRÁI BƯỞI Chuyên ngành : Khoa học máy tính Mã số : 60.48.01 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2012 Cơng trình hồn thành ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học: TS HUỲNH HỮU HƯNG Phản biện : PGS.TS PHAN HUY KHÁNH Phản biện : TS TRƯƠNG CÔNG TUẤN Luận văn ñược bảo vệ Hội ñồng chấm Luận văn tốt nghiệp thạc sĩ kỹ thuật họp Đại học Đà Nẵng vào ngày 15 tháng 12 năm 2012 Có thể tìm hiểu luận văn tại: - Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng; - Trung tâm Học liệu, Đại học Đà Nẵng; MỞ ĐẦU LÝ DO CHỌN ĐỀ TÀI Nhằm giảm thiểu số lượng trường hợp ngộ ñộc thực phẩm ngày tăng giới nước ăn phải trái chất lượng; ñể tạo sản phẩm chất lượng cao, an toàn, tiến tới ổn ñịnh chất lượng; nhằm tăng cường khả cạnh tranh trái Việt Nam, ñặc biệt loại trái bưởi có giá trị kinh tế cao Bưởi Năm roi, Bưởi Da Xanh, v.v thị trường khu vực giới An toàn thực phẩm theo hướng GAP vấn đề sống cịn rau Việt Nam Đề tài tiếp cận khâu cuối tiêu chuẩn GAP nhằm kiểm soát ñánh giá chất lượng trái Bưởi trước ñưa vào đóng gói xuất thị trường: Rau thu hoạch độ chín, loại bỏ bị héo, bị sâu, dị dạng v.v Hiện nay, nước ta cơng việc hầu hết thực thủ công Đề tài tập trung nghiên cứu kỹ thuật xử lý ảnh số nhận dạng mẫu để giải tốn Việc đánh giá chất lượng trái ñã ñược thực nhiều nhà nghiên cứu, số cơng trình nghiên cứu tiêu biểu ñược giới thiệu mục 1.10 luận văn Hầu hết họ ñều dựa ñặc trưng quan trọng trái như: kích thước, hình dáng, màu sắc kết cấu bề mặt MỤC TIÊU VÀ NHIỆM VỤ CỦA ĐỀ TÀI
Mục tiêu ñề tài Nhận dạng ñánh giá chất lượng trái Bưởi kỹ thuật xử lý ảnh số nhận dạng mẫu mà không phá vỡ cấu trúc bề mặt chúng
Nhiệm vụ ñề tài - Nghiên cứu kỹ thuật xử lý ảnh phương pháp nhận dạng trái - Thu thập, xây dựng sở liệu ảnh trái Bưởi (quả ñạt chất lượng tốt có khuyết tật, dị dạng, ) - Nghiên cứu phương pháp tiếp cận kỹ thuật ñánh giá chất lượng trái cây, kiểm tra bề mặt trái ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tượng nghiên cứu: Một số loại Bưởi xuất Việt Nam
Phạm vi nghiên cứu - Nghiên cứu kỹ thuật xử lý ảnh nhận dạng trái Bưởi - Nghiên cứu phương pháp phát khuyết ñiểm bề mặt trái Bưởi ñể tiến tới ñánh giá chất lượng trái trái Bưởi PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp tài liệu - Tìm hiểu kỹ thuật xử lý ảnh số; Tìm hiểu kỹ thuật nhận dạng ñối tượng, nhận dạng mẫu; Tìm hiểu phương pháp đánh giá chất lượng sản phẩm trái - Tìm hiểu số cơng cụ hỗ trợ lập trình
Phương pháp thực nghiệm Xây dựng cở sở liệu ảnh huấn luyện (thu thập ảnh trái - Bưởi ñạt chuẩn xuất ảnh trái Bưởi có khuyết tật) Cài đặt chương trình thử nghiệm với số mẫu liệu - ñánh giá kết Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN
Ý nghĩa khoa học - Nghiên cứu kỹ thuật xỷ lý ảnh nhận dạng mẫu - Nghiên cứu số giải thuật, phương pháp ñể ñánh giá chất lượng trái Bưởi - Ứng dụng công nghệ xử lý ảnh số nhận dạng vào toán thực tế
Ý nghĩa thực tiễn - Giải tốn: Kiểm tra, tuyển chọn đánh giá chất lượng trái Bưởi Việt Nam - Ứng dụng kỹ thuật xử lý ảnh nhận dạng mẫu, ñối tượng ñể ứng dụng vào lĩnh vực phân loại tuyển chọn chất lượng thực phẩm cho kết tốt, giá thành thấp nhanh chóng - Đề tài mong muốn trở thành chủ ñề ñể nhà nghiên cứu khác tiếp tục nghiên cứu sang lĩnh vực liên quan khác, ñánh giá chất lượng rau sạch, hải sản, v.v BỐ CỤC LUẬN VĂN Nội dung luận văn trình bày bao gồm phần sau: Mở ñầu Chương 1: Nghiên cứu tổng quan xử lý ảnh số nhận dạng Chương 2: Trích lọc ñặc trưng nhận dạng Chương 3: Kết nhận dạng phát khuyết ñiểm Kết luận hướng phát triển CHƯƠNG NGHIÊN CỨU TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ VÀ NHẬN DẠNG 1.1 GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH SỐ VÀ ỨNG DỤNG 1.2 TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ Các bước xử lý ảnh số thể hình ñây [1], [14], [16], [19] Hình 1.1: Các bước xử lý ảnh số 1.3 XỬ LÝ MỨC THẤP 1.3.1 Thu nhận ảnh 1.3.2 Tiền xử lý ảnh 1.3.2.1 Khử nhiễu 1.3.2.2 Bộ lọc miền không gian 1.3.2.3 Bộ lọc miền tần số 1.4 XỬ LÝ MỨC TRUNG 1.4.1 Phân ñoạn ảnh Phân ñoạn ảnh thực ba kỹ thuật bản: phân ñoạn ảnh dựa ngưỡng, dựa biên dựa vùng [1], [14], [19], [20] 1.4.1.1 Phân ñoạn ảnh dựa ngưỡng 1.4.1.2 Phân ñoạn ảnh dựa biên 1.4.1.3 Phân ñoạn ảnh dựa vùng 1.4.2 Biểu diễn mô tả ảnh 1.4.2.1 Biểu diễn ảnh 1.4.2.2 Mô tả ảnh 1.5 XỬ LÝ MỨC CAO Xử lý mức cao xử lý ảnh bao gồm: Nhận dạng ảnh nội suy ảnh 1.6 CƠ SƠ TRI THỨC 1.7 CÁC KHÔNG GIAN MÀU VÀ ẢNH MÀU 1.7.1 Màu xử lý ảnh số 1.7.2 Không gian màu RGB 1.7.3 Không gian màu HSV Không gian màu HSV cịn gọi khơng gian màu HSB Các giá trị sắc độ, độ bão hịa giá trị độ sáng ñược sử dụng làm trục tọa ñộ 1.7.4 Không gian màu CIE 1.7.4.1 Không gian màu CIE XYZ Khơng gian màu XYZ CIE đề xuất với ba màu X, Y, Z Hệ tọa ñộ khơng gian màu XYZ chọn cho vector màu thực (nằm quang phổ) ñều ñi qua tam giác màu đơn vị XYZ 1.7.4.2 Khơng gian màu CIE L*a*b* Khơng gian màu L*a*b* CIE đề xuất vào năm 1976 Các miền giá trị không gian màu thành phần độ sáng L* có giá trị từ ñen (-L) ñến trắng (+L) hai thành phần màu sắc a*, b* mơ tả sắc độ độ bão hịa có giá trị trục từ màu xanh (-a) ñến màu ñỏ (+a) từ màu xanh dương (-b) ñến màu vàng (+b) [16] 1.8 XỬ LÝ HÌNH THÁI HỌC TRÊN ẢNH 1.8.1 Khái niệm Phần tử cấu trúc (Structuring element): Đơi gọi nhân (Kernel) Có hai loại phần tử cấu trúc: phần tử cấu trúc phẳng phần tử cấu trúc không phẳng Mỗi loại phần tử cấu trúc có hình dáng khác Phần lớn phép tốn hình thái học ñịnh nghĩa từ hai phép toán phép toán co ảnh (Erosion) giãn ảnh (Dilation) 1.8.2 Phép co giản ảnh 1.8.2.1 Phép co ảnh Phép toán co ảnh ảnh xám I với cấu trúc phần tử khơng phẳng H vị trí (x, y) ảnh I ñược xác ñịnh sau: (I⊖H)(x, y) = min(I(x+i, y+j) - H(i, j) | (i, j)∈ DH) (1.12) 1.8.2.2 Phép giãn ảnh Phép toán giãn ảnh ảnh xám I với cấu trúc phần tử không phẳng H vị trí (x, y) ảnh I xác ñịnh sau: (I⊕H)(x, y) = max(I(x+i, y+j)+H(i, j) | (i, j)∈ DH) (1.13) 1.8.3 Phép đóng mở ảnh 1.8.3.1 Phép mở ảnh Gọi A ñối tượng hình ảnh B phần tử cấu trúc, () ký hiệu phép mở ảnh tập hợp A phần tử cấu trúc B, phép mở ảnh ñược xác ñịnh công thức: AB = (A⊖B)⊕B (1.14) 1.8.3.2 Phép đóng ảnh Với tập hợp A đối tượng ảnh, B phần tử cấu trúc ( •) ký hiệu phép đóng ảnh Khi phép ñóng ảnh tập hợp A Phần tử cấu trúc B, kí hiệu ( A • B) , xác định bởi: ( A • B) = ( A ⊕ B) 1.9 BIẾN ĐỔI WAVELET B (1.15) 10 1.9.1 Biến ñổi Wavelet ứng dụng 1.9.2 Biến ñổi Wavelet rời rạc Trong xử lý ảnh thực phẩm, DWT 2-D thường ñược sử dụng ñể nén ảnh ñầu vào Ảnh sau nén ñược ñưa vào ma trận GLCM ñể tính tốn đặc trưng kết cấu ảnh phục vụ cho công việc nhận dạng ảnh [6], [22] 1.10 MỘT SỐ CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI VÀ KẾT QUẢ 1.10.1 Nhận dạng trái Angel Dacal-Nieto cộng [2] ñã tiến hành ñánh giá chất lượng củ khoai tây dựa ñặc trưng màu sắc kết cấu Các tác giả [3] ñã phát triển thuật toán nhận dạng ñể phân loại thực phẩm dựa đặc trưng hình dáng kết cấu Hetal N Patel cộng [5] ñã ñề xuất phương pháp nhận dạng trái (fruit on tree) dựa ñặc trưng: Cường ñộ sáng, màu sắc, biên, hướng Các nhà nghiên cứu [6] đề xuất mơ hình nhận dạng trái dựa ñặc trưng màu sắc kết cấu bề mặt 1.10.2 Phát khuyết ñiểm bề mặt trái Panli HE [4] ñã ñề xuất mơ hình phát khuyết điểm bề mặt trái dựa biến ñổi Fourier phân lớp khuyết ñiểm phương pháp SVM Deepesh Kumar Srivastava [7] ñã ñề xuất phương pháp khử chói ảnh phát khuyết ñiểm bề mặt trái sử dụng lọc Gabor 13 Kết cấu ảnh mô tả thuộc tính yếu tố cấu thành nên bề mặt ñối tượng 2.3.3.1 Các phương pháp phân tích đặc trưng kết cấu ảnh Hiện nay, có nhiều phương pháp đề xuất để phân tích ño lường kết cấu ảnh phân chúng thành loại [25], [26]: - Phương pháp thống kê – Statistical methods - Phương pháp cấu trúc – Structural methods - Phương pháp dựa biến ñổi – Transform-based methods - Phương pháp dựa mơ hình hóa – Model-based methods 2.3.3.2 Đề xuất phương pháp ño lường ñặc trưng kết cấu Tác giả xin ñề xuất sơ đồ trích lọc đặc trưng kết cấu hình 2.6 Hình 2.6: Sơ đồ trích lọc đo lường ñặc trưng kết cấu 2.3.3.3 Sóng Gabor Trong xử lý ảnh, lọc Gabor lọc tuyến tính thường sử dụng để phát biên, phần vùng ảnh, phân tích đặc trưng ảnh, phân lớp ảnh Tần số hướng ñược thể lọc Gabor tương tự hệ thống thị giác người Hàm sóng Gabor miền khơng gian có dạng sau [27]: g λ ,θ ,ϕ ,σ ,γ ( x, y) = exp(− x' +γ y' x' ) cos(2π + ϕ ) λ 2σ (2.5) 14 Trong đó, x ' = x cos(θ ) + y sin(θ ) , y' = −x sin(θ ) + y cos(θ ) Bước sóng (λ - lamda) đại diện cho sóng tác nhân cosine hàm Gaussian, hướng (θ - theta) ñại diện cho hướng ñường gạch sọc song song hàm Gabor góc (độ), độ lệch pha (φ - phi) theo góc, tỉ lệ hướng (γ - gamma) tỷ lệ co giãn không gian xác định tính đơn giản hàm Gabor, độ lệch chuẩn σ xác định kích thước hàm Gaussian tuyến tính 2.3.3.4 Ma trận đồng mức xám Co-occurrence GLCM ảnh f(x,y) có kích thước MxM có G mức độ xám ma trận hai chiều C(i, j) Mỗi phần tử ma trận thể xác suất xảy giá trị cường ñộ sáng i j khoảng cách d góc xác định Do đó, có nhiều ma trận GLCM khác phụ thuộc vào cặp giá trị d GLCM tính tốn sau [1]: max(| x1 − x2 |, | y1 − y ) = d Cdθ (i, j ) = N (( x1 , y1 ), ( x2 , y )) ∈ MxM Θ(( x1 , y1 ), ( x2 , y2 )) = θ (2.7) f ( x1 , y1 ) = i, f ( x2 , y ) = j Haralick ñã ñề nghị tập hợp gồm 14 đặc trưng tính tốn ñược từ ma trận ñồng mức xám GLCM sử dụng để phân lớp kết cấu hình ảnh Tuy nhiên, ñề tài tác giả chọn lọc 05 đặc trưng phù hợp với tốn: lượng (energy), ñộ tương phản (contrast), entropy, ñộ tương ñồng (Correlation), tính ñồng (homogeneity)
Đặc trưng lượng: Đặc trưng lượng F1 tính tốn sau: 15 G G F1 = ∑∑ C (i, j ) (2.8) i =1 j =1 Công thức ño lường tính ñồng cục ảnh Giá trị F1 nằm khoảng [0, 1] Nếu F1 = ảnh có giá trị mức xám
Độ tương phản: Độ tương phản F2 tính sau: G G F2 = ∑∑ (i − j ) C (i, j ) (2.9) i =1 j =1 Cơng thức cho biết số lượng điểm ảnh có mức độ xám biến đổi cục ảnh Giá trị F2 nằm khoảng [0, (size(GLCM,1)-1)2]
Độ tương ñồng: Độ tương ñồng F3 ñược tính sau: G G (i − µ )( j − µ )C (i , j ) i j F3 = ∑∑ σ σ i =1 j =1 i j Trong đó, µ i , µ j σ i , σ j (2.10) giá trị trung bình độ lệch chuẩn tổng hàng cột ma trận µ i , µ j σ i , σ j tính sau: G G i =1 j =1 G G j =1 i =1 µi = ∑ i∑ C (i, j ) , µ j = ∑ j ∑ C (i, j ) , G G i =1 j =1 σ i = ∑ (i − µ i ) ∑ C (i , j ) , G G i =1 j =1 σ j = ∑ ( j − µ j ) ∑ C (i, j ) (2.11) Tham số phân tích phụ thuộc tuyến tính mức độ xám ñiểm ảnh lân cận Giá trị F3 nằm khoảng [-1, 1]
Entropy: Entropy F4 ñược tính tốn sau: G G F4 = −∑∑C (i, j ) logC (i, j ) i =1 j =1 (2.12) Entropy đo lường tính ngẫu nhiên phần tử ma trận GLCM Giá trị F4 nằm khoảng [0, 1] 16
Tính đồng nhất: Tính đống F5 tính tốn sau: G G C (i , j ) j =1 1+ | i − j | F5 = ∑∑ i =1 (2.13) Đặc trưng tính đồng đo lường tính khít tính dày đặc phân bố khơng gian ma trận GLCM Giá trị F5 nằm khoảng [0, 1] 2.4 PHÂN LỚP TRÁI BƯỞI SỬ DỤNG THUẬT TỐN k – NN 2.4.1 Thuật tốn k – NN k-NN thuật tốn phân lớp đối tượng dựa khoảng cách gần ñối tượng bao gồm ñối tượng cần phân lớp tất ñối tượng tập huấn luyện Giả sử có hai vector xr xs, khơng gian hai chiều vector xr có giá trị xr(xr1, xr2) vector xs có giá trị xs(xr1, xs2) Khoảng cách hai vector tính tốn theo cơng thức sau: d ( xr , xs ) =| xr − xs |= ( xr1 − xs1 ) + ( xr − xs ) (2.14) 2.4.2 Thuật toán k – NN tham số phân loại trái bưởi Đối với toán nhận dạng trái Bưởi, tham số đặc trưng trích lọc ñược ñưa vào làm giá trị ñầu vào cho k-NN Tương ưng với ảnh ñầu vào có vector chứa 12 tham số: Tham số màu sắc bao gồm: Giá trị trung kênh màu HSV ñộ lệch chuẩn kênh màu khơng gian màu HSV Tham số hình dáng bao gồm: Độ rắn 17 Tham số kết cấu bề mặt bao gồm: Entropy, ñộ tương phản, ñộ tương đồng, lượng tính đồng 2.5 PHÁT HIỆN KHUYẾT ĐIỂM TRÊN BỀ MẶT TRÁI BƯỞI 2.5.1 Mô hình hệ thống kiểm tra phát khuyết điểm Qua q trình nghiên cứu, tác giả xin đề xuất mơ hình phát khuyết điểm bề mặt trái Bưởi hình 2.11 2.5.2 Chuyển khơng gian màu RGB sang CIE L*a*b* ngược lại Để chuyển ñổi từ không gian màu RGB sang không gian màu CIE L*a*b* thực bước Hình 2.11: Mơ hình phát khuyết tật bề mặt trái Bưởi sau [17], [28]: Chuyển từ không gian màu RGB sang không gian màu CIE XYZ ngược lại X  R,     −1  Y  = M RGB  G  Z B     R X       G  = M RGB  Y  B Z     (2.16) Trong đó: M −1 RGB  3.240479 −1.537150 − 0.498535   0.412453 0.357580 0.180423     M = − 969256 875992 041556 =  0.212671 0.715160 0.072169  RGB   0.055648 − 0.204043 1.057311  0.019334 0.119193 0.950227     , Chuyển từ không gian màu CIE XYZ sang không gian màu CIE L*a*b* L* = 116Y’ – 16 a* = 500(X’ – Y’), b* = 200(Y’ – Z’), Trong đó: (2.17) 18 X’ = f(X/Xref), Y’ = f(Y/Yref), Z’ = f(Z/Zref), if c > 0.008856  c1 / f (c ) =   7.787c + 16/116 if c ≤ 0.008856 (2.18) Thơng thường, D56 chọn giá trị tham chiếu cho ñiểm trắng Cref = (Xref, Yref, Zref) Tức Xref = 0.950456, Yref = 1.000000 Zref = 1.088754 Giá trị L* số dương nằm khoảng [0, 100], giá trị a* b* nằm khoảng từ [-127, +127] Chuyển từ không gian màu CIE L*a*b* sang không gian màu CIE XYZ 2.5.3 Tăng cường ñộ sáng ảnh màu kênh a* 2.5.4 Lọc nhiễu lọc trung vị ảnh màu kênh a* 2.5.5 Loại bỏ khuyết điểm bên ngồi đối tượng sử dụng phép mở ảnh Phép xử lý hình thái học – phép mở ảnh ñược sử dụng ñể loại bỏ số điểm nhiễu cịn sót lại khu vục ảnh khuyết điểm có kích thước nhỏ Qua q trình phân tích thử nghiệm nhiều phần tử cấu trúc khác nhau, tác giả đề xuất phần tử cấu trúc khơng phẳng có hình bóng (thực chất hình Ellipse) với bán kính R=1, ñộ cao H=3 2.5.6 Phân ñoạn ảnh 2.5.6.1 Phân đoạn dựa ngưỡng tồn cục - thuật tốn Otsu Thuật tốn Otsu sử dụng để tự động lấy ngưỡng ảnh dựa hình dáng lược đồ mức xám ảnh giảm mức ñộ xám ảnh đầu vào thành ảnh nhị phân Thuật tốn thực qua bước sau [19]: 19 a Chọn giá trị ước lượng khởi tạo cho T ( thường giá trị trung bình mức xám ảnh) b Sử dụng T ñể phân ñoạn ảnh Kết bước tạo nhóm điểm ảnh: G1 chứa tất ñiểm ảnh với giá trị mức xám > T G2 chứa ñiểm ảnh với giá trị mức xám ≤ T c Tính mức xám trung bình nhóm G1 µ1 nhóm G2 µ2 d Tính ngưỡng dựa vào µ1 µ2: T = (µ1 + µ2) / e Lặp lại bước ñến cho ñến giá trị T lần lặp liên tiếp nhỏ giá trị ñịnh trước T∞ Qua trình thử nghiệm phân tích, tác giả đề xuất lấy ngưỡng toàn cục Otsu nằm khoảng [0.4, 0.55] 2.5.6.2 Phân đoạn sử dụng thuật tốn k – Means Trong xử lý ảnh, k-Means phân ñoạn ảnh thành nhiều lớp khác dựa khoảng cách vốn có điểm ảnh (giá trị mức xám) Thuật tốn giả sử tập giá trị ñầu vào khơng gian vector cố gắng tìm cụm (lớp) cách tự nhiên chúng Đôi với tốn này, đầu vào thuật tốn ảnh hai chiều khơng gian màu a*b* thực qua bước sau [29], [30]: a Tính tốn phân bố cường ñộ sáng ñiểm ảnh ảnh b Khởi tạo ñiểm tâm với cường ñộ ngẫu nhiên k c Lặp lại bước ñây cho ñến việc phân cụm nhãn ảnh khơng thay đổi nhiều d Phân cụm ñiểm tâm dựa khoảng cách từ giá trị cường ñộ sáng ñiểm tâm ñến giá trị cường ñộ sáng (c(i) thường gọi hàm chi phí thuật toán k-Means) 20 c (i ) = arg || x (i ) − µ j || j (2.23) e Tính tốn giá trị điểm tâm cho cụm ∑ 1{c = j}x = ∑ 1{c = j} m µi (i ) i =1 m i =1 (i ) (2.24) (i ) Trong đó, k tham số đầu vào thuật tốn (số cụm cần tìm), i biến lặp tất giá trị cường ñộ sáng ảnh, j biến lặp tất điểm tâm µi điểm tâm giá trị cường ñộ sáng CHƯƠNG KẾT QUẢ NHẬN DẠNG VÀ PHÁT HIỆN KHUYẾT ĐIỂM 3.1 BÀI TOÁN ĐÁNH GIÁ CHẤT LƯỢNG TRÁI BƯỞI Hiện nay, hầu hết việc kiểm tra đóng gói trái Bưởi ñược thực thủ công Tác giả giải tốn máy tính, sử dụng phương pháp, thuật tốn lĩnh vực thị giác máy tính xử lý ảnh số để nhân dạng, phân tích hình ảnh ñể kết luận chất lượng trái Bưởi mà không phá vỡ cấu trúc bề mặt chúng nhằm tiết kiệm thời gian, chi phí cho doanh nghiệp thu mua xuất trái Bưởi 3.2 MÔI TRƯỜNG VÀ CÔNG CỤ CÀI ĐẶT THỬ NGHIỆM 3.3 MẪU DỮ LIỆU HUẤN LUYỆN VÀ KIỂM TRA Dữ liệu ảnh ñược lấy bao gồm: Một số trái Bưởi có chất lượng tốt, ñạt tiêu chuẩn xuất theo tiêu chuẩn GAP (khơng có: vết bầm, sâu, thối rửa, vết chầy xước, sẹo, v.v) Một số trái Bưởi có số khuyết điểm bề mặt (có: vết bầm, sâu, thối rửa, vết chầy 21 xước, sẹo số ảnh ñược tác giả vẽ thêm vết khác thường bề mặt) Hình 3.1 Một số Hình 3.2 Một số Hình 3.3 Một số mẫu mẫu trái Bưởi đưa mẫu trái Bưởi đưa đưa vào phân tích phát vào huấn luyện vào nhận dạng khuyết ñiểm 3.4 KẾT QUẢ THỬ NGHIỆM NHẬN DẠNG TRÁI BƯỞI Các tham số hình dáng sóng Gabor chọn hình 3.4 π , λ = 8, ϕ = [0, ], γ = 0.5, b = 1, N = 12, θ = 60 Hình 3.4: Các tham số hình dáng sóng Gabor chọn Hình 3.5: Kết nhận Hình 3.6: Kết nhận dạng với k=2 dạng với k=1 3.5 NHẬN XÉT KẾT QUẢ NHẬN DẠNG Từ kết nhận dạng hình 3.5 hình 3.6 cho thấy, liệu huấn luyện nhiều ñồng độ xác nhận dạng cao Tuy nhiên, CSDL tăng lên thời gian xử lý tốc độ 22 tính tốn hệ thống chậm lại thuật tốn sóng Gabor với tham số tham số ma trận GLCM nhiều 3.6 KẾT QUẢ THỬ NGHIỆM PHÁT HIỆN KHUYẾT ĐIỂM 3.6.1 Phương pháp phân ñoạn ảnh dựa ngưỡng Hình 3.7: Kết phát Hình 3.9: Kết phát hiện số khuyết bề mặt khuyết ñiểm thuật toán k – phương pháp phân Means, k = ñoạn dựa ngưỡng 3.6.2 Sử dụng thuật toán k – Means Kết phương pháp thể hình 3.9 3.7 NHẬN XÉT KẾT QUẢ PHÁT HIỆN KHUYẾT ĐIỂM 3.7.1 Mơ hình phân đoạn ảnh thuật tốn tách ngưỡng tồn cục Kết hình 3.7 cho thấy rằng, mơ hình phương pháp đề xuất khơng phát khuyết điểm ảnh mà cịn phục vụ cho việc màu hóa khuyết điểm đếm ñược số khuyết ñiểm ảnh trái Bưởi hiệu quả, giúp ích cho việc thống kê số khuyết điểm trái Bưởi bị hỏng phục vụ công việc phân loại Tuy nhiên, mơ hình sử dụng số kĩ thuật xử 23 lý ảnh nhị phân làm điểm ảnh ảnh thuật tốn xử lý hình thái học – phép mở ảnh ñã làm ñi vùng nhiễu bên ngồi đối tượng đồng thời làm làm tăng kích thước vùng khuyết điểm ảnh 3.7.2 Mơ hình phân đoạn ảnh thuật tốn k – Means Kết hình 3.9 cho thấy rằng, mơ hình phương pháp sử dụng ñã phát ñược vùng bị khuyết tật bề mặt trái bưởi hiệu vùng khuyết tật ñược màu hóa thành cụm ñúng ý tưởng thuật tốn k-Means giúp hệ thống đơn giản so với mơ hình phân đoạn ảnh thuật tốn tách ngưỡng toàn cục Tuy nhiên, phương pháp tốc ñộ xử lý lâu so với phương pháp phân đoạn ngưỡng cục xử lý ảnh màu 24 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong luận văn này, tác giả trình bày tổng quát kiến thức, thuật toán tảng lĩnh vực xử lý ảnh số ứng dụng ngành công nghiệp thực phẩm nói chung lĩnh đánh giá chất lượng trái nói riêng Đây lĩnh vực q trình phát triển giới Ở Việt Nam gần ñây chủ ñề mẻ Nội dung luận văn ñã tiến hành thực nghiên cứu ba vấn ñề sau: Một là: Luận văn ñã tiến hành nghiên cứu nguyên lý hệ thống xử lý ảnh số nhận dạng nói chung lĩnh vực nhận dạng phát khuyết ñiểm bề mặt trái nói riêng ñể có ñược nhìn tổng quát phương pháp phạm vi ứng dụng Hai là: Luận văn nghiên cứu phương pháp trích lọc đặc trưng ảnh trái nói chung để từ tìm tham số đặc trưng phù hợp với tốn mà tác giả hướng tới Trong q trình nghiên cứu, tác giả nhận thấy rằng: Các loại trái khác có đặc trưng bề mặt khác nhau, ví dụ: Các loại trái Táo, Lê, Chuối v.v có bề mặt phẳng trơn, với trái Bưởi ngược lại, bề mặt khơng phẳng có kết cấu phức tạp Do đó, việc xác định phương pháp trích lọc đặc trưng phương pháp đo lường ñặc trưng ñiều quan trọng Cuốn luận văn ñã thực chọn lựa phương pháp phù hợp với tốn mơ tả chi tiết chương 25 Ba là: Tác giả nghiên cứu thuật tốn xử lý ảnh số để tiến hành phân tích bề mặt trái Bưởi nhằm phát khuyết ñiểm Qua trình nghiên cứu thử nghiệm, tác giả chọn mơ hình sử dụng phương pháp phân đoạn ảnh nhị phân phương pháp phân ñoạn ảnh k-means ñể phát khuyết ñiểm bề mặt trái Bưởi Trên sở kiến thức ñã nghiên cứu ñược trên, luận văn đề xuất mơ hình nhận dạng trái Bưởi mơ hình đánh giá chất lượng trái Bưởi Trong mơ hình nhận dạng trái Bưởi, tác giả ñã nghiên cứu loại ñặc trưng nhận dạng ảnh trái nói chung chọn ba loại đặc trưng phù hợp với tốn: màu sắc, hình dáng kết cấu ảnh Từ tham số ñặc trưng này, tác giả tiếp tục nghiên cứu phương pháp xử lý ảnh ñối với tham số để có giá trị tốt phù hợp phục vụ cho việc nhận dạng Các khơng gian màu ảnh tác giả nghiên cứu: RGB, HSI, HSV, CIE L*a*b* tác giả ñã lựa chọn khơng gian màu HSV để trích lọc đặc trưng cho tham số màu sắc Đặc trưng hình dáng ñược tác giả quan tâm kỹ tác giả chọn phương pháp đo lường hình dáng trái Bưởi dựa chu vi diện tích hình dáng trái bưởi sau thực biến đổi nhị phân ảnh đơn kênh H khơng gian màu HSV Đặc trưng kết cấu ảnh tốn khó xử lý ảnh số thị giác máy tính Có nhiều mơ hình khác để trích lọc đặc trưng kết cấu ảnh ñã ñược ñề xuất Và ñối với tham số này, tác giả ñã chọn phương pháp thống kê, sử dụng ma trận ñồng mức ñộ xám Co-occurrence ñể ño lường ñặc trưng kết cấu tác giả ñã chọn ñặc trưng 26 kết cấu cho tốn: đặc trưng lượng, độ tương phản, entropy, độ tương đồng tính đồng Các tham số với tham số màu sắc hình dáng lưu trữ vào CSDL Để nhận dạng trái bưởi, tác giả ñã sử dụng thuật tốn k-NN để tính khoảng cách mẫu huấn luyện với mẫu kiểm tra, thuật toán k-NN 10 thuật toán phân loại liệu, khai phá liệu hiệu lĩnh vực khai phá liệu tính đơn giả hiệu Vấn đề quan trọng thuật tốn k-NN xác định hệ số k (số hàng xóm gần cần tìm), tác giả chọn thử nghiệm với hệ số k=1 k=2 Trong mơ hình phát khuyết ñiểm bề mặt trái Bưởi, tác giả chọn phương pháp phân đoạn ảnh tính ñơn giản hiệu Tuy nhiên, ñể phương pháp đạt hiệu ảnh đầu vào phải ñược ñưa vào module tiền xử lý ảnh trước ñưa vào module phân ñoạn ảnh Trong giai ñoạn tiền xử lý ảnh, tác giả ñã sử dụng ảnh đơn kênh a* khơng gian màu CIE L*a*b* ñể làm ñầu vào cho module tiền xử lý Vì tính chất ảnh a* mờ có nhiễu đốm, tác giả sử dụng thuật tốn nâng cao độ tương phản sử dụng lọc trung vị ñể xử lý Ảnh sau ñược xử lý ñược ñưa vào module xử lý hình thái học để loại bỏ điểm khơng mong muốn ảnh trước ñưa vào phân ñoạn ảnh thuật tốn phân đoạn ảnh tồn cục Ostu Trong module xử lý hình thái học, tác giả sử dụng phép mở ảnh với phần tử cấu trúc khơng phẳng để xử lý ảnh Qua q trình thử ngiệm, tác giả nhận thấy rằng: giá trị ngưỡng nằm khoảng [0.4, 0.55] có hiệu tốt Ngồi ra, phương pháp sử dụng thuật toán k-Means phân cụm liệu ñược nghiên cứu ñưa vào thử nghiệm Tác 27 giả chuyển thuật tốn k-Means từ việc phân cụm liệu ñầu vào khai phá liệu thành phân cụm khuyết ñiểm ñối tượng cố ñịnh – Bưởi thuật tốn hữu hiệu để phân tích ảnh kết ảnh màu Tuy nhiên, hệ thống có thời gian xử lý chậm lại CSDL tăng lên, cần tinh giảm thuộc tính đặc trưng để hệ thống đảm bảo tính xác thời gian xử lý chấp nhận ñược Trong tương lai, tác giả nghiên cứu sâu thêm phương pháp khác ñể hệ thống có hiệu cao hơn, ví dụ: nghiên cứu DWT ñể nén ảnh sau lấy mẫu đưa vào sóng Gabor để làm đặc trưng, ảnh sau nén có kích thước nhỏ thời gian tính tốn nhanh Ngồi ra, để hệ thống ổn định cần nghiên cứu xây dựng mơ hình, phương pháp lấy mẫu hiệu ñể giảm bớt ảnh hưởng ánh sáng, độ chói, tác động vào đối tượng lấy mẫu Nếu có điều kiện, tơi tiếp tục nghiên cứu nâng cấp hệ thống thành dây chuyền máy móc tự động ứng dụng vào tốn thực tế để tăng hiệu quả, giảm chi phí sản xuất đóng gói Bưởi xuất theo tiêu chuẩn GAP