1. IntroductionAnnual citrus produc

1. Introduction
Annual citrus production in Iran is 3.5 million tonnes, which is
ranked as sixth in the world. Before being exported, all citrus fruits
are subjected to inspection for quality control purpose and are
graded according to their size, maturity, and presence of defect.
The size of a citrus fruit is often represented by its mass because
it is relatively simple to measure. Currently, the measurement is
done manually by weighing individual citrus fruits to get a uniform
size prior to packaging. However, this manual weighing procedure
is time consuming, inefficient, and labor-intensive.
Physical characteristics of agricultural products are the most
important parameters in determining the proper standards of
design of grading, conveying, processing, and packaging systems.
The major physical properties of citrus fruits are shape, size, density, porosity, volume, and mass of fruits and friction against various surfaces (Akar and Aydin, 2005). These properties have been
studied for various agricultural products such as breadfruit, terebinth fruits, onion, almond, caper, myrtle, and pomegranate
(Omobuwajo et al., 1999; Aydin and Ozcan, 2002; Abhayawick
et al., 2002; Aydin, 2003; Sessiz et al., 2007; Aydine and Ozcan,
2007; Khoshnam et al., 2007). There are some situations in which
it is desirable to determine relationships among geometric dimensions. For example, fruits are often graded by size, but it may be
more economical to develop a machine vision system which grades
by weight or volume. Simple model equations to estimate the mass
of various agricultural products such as apple, pomegranate,
and apricot are available (Tabatabaeefar and Rajabipour, 2005;
Khoshnam et al., 2007; Naderi-Boldajia et al., 2008). However,
measuring dimensions using a digital caliper is subject to human
error and may not be an efficient and practical approach to estimate volume, particularly in sorting large quantities of agricultural
products indoors or in monitoring yield during harvesting.
In fruits and vegetables size, mass, volume, and density attributes are somewhat correlated. Volume and mass together, determine fruit density related to produce consistency and flavor.
Volume can also be used for harvest time prediction (Hahn and
Sanchez, 2000). For instance, volume used as a fruit and vegetable
sorting feature shows a 0.91 correlation coefficient with length on
jalapeno chilli grading (Hahn et al., 1997). Differences in density
have also been utilized for quality inspection such as seed viability
test and citrus granulation test. Different mathematical models and
numerical analysis methods have been applied to extract a representation of volume. Some commonly used methods to determine
volume include geometric mean diameter, water displacement
method, and gas displacement method.
In recent years, machine vision has been found increasingly
useful in agricultural and food industry, especially for applications
in quality inspection, meeting quality standards, and increasing
market value. In fact, machine vision is the most effective tool for measuring external features such as color intensity, color
homogeneity, bruises, size, shape, and stem identification. The
use of machine vision is also gaining interest for the determination
of physical attributes of fruits and irregular-shaped objects, because it is a nondestructive method requiring image analyses and
image processing procedures.Forbes and Tattersfield (1999)developed a combined machine vision and neural network technique for
the estimation of pear volume from the 2-D digital images.Hahn
and Sanchez (2000)developed an imaging algorithm to measure
the volume of non-circular shaped agricultural products such as
carrots.Sabliov et al. (2002)andWang and Nguang (2007)used
image processing techniques to compute the volume and surface
area of axi-symmetric agricultural products.Lee et al. (2003)and
Eifert et al. (2006)have adopted the machine vision approach
and developed imaging systems for estimating the volume for
irregular-shaped agricultural products using radial projections.
Koc (2007)determined the volume of watermelon using ellipsoid
approximation and image processing. Khojastehnazhand et al.
(2009)have developed and tested machine vision and image processing for computing surface area and volume of axi-symmetrical
agricultural products.
Computer-generated artificial classifiers that are intended to
mimic human decision making for grading and product quality
have recently been studied intensively. The online lentil color classification using a flatbed scanner with neural classifier developed
byShahin and Symons (2001)achieved an overall accuracy of more
than 90%.Leemans et al. (2002)developed an on-line fruit grading
system based on external quality features of two varieties of apples, Golden Delicious and Jonagold, using quadratic discriminant
analysis and neural networks. The image grading was achieved in
six steps: image acquisition; ground color classification; defect
segmentation; calyx and stem recognition; defects characterization; and finally the fruit classification into quality classes. Both
algorithms resulted in similar results (79% and 72%) for both varieties studied.Blasco et al. (2003)combined machine vision techniques with Bayesian discriminant analysis for online estimation
of the quality of oranges, peaches, and apples, and evaluated the
efficiency of these techniques regarding the following quality attributes: size, color, stem location, and detection of external
blemishes.
The objective of this research was to develop an image processing method for determination of volume of citrus fruits such as
lemon, lime, orange and tangerine. The method provides a valuable
alternative to the traditional methods for measurement of volume
of axi-symmetric agricultural products and can be used to design
and develop sizing systems.

ผลลัพธ์ (ไทย) 1:

1. บทนำปีการผลิตส้มในอิหร่านเป็น 3.5 ล้านตัน ซึ่งเป็นการจัดอันดับหกในโลก ก่อนผลไม้ส่งออก ส้มทั้งหมดอยู่ภายใต้การตรวจสอบควบคุมคุณภาพและมีแบ่งแยกตามขนาดของพวกเขา การครบกำหนด และของความบกพร่องขนาดของผลไม้ส้มมักจะแสดง โดยมวลของเนื่องจากค่อนข้างง่ายในการวัดได้ ปัจจุบัน มีการประเมินทำได้ด้วยตนเอง โดยชั่งละผลไม้ได้เหมือนขนาดก่อนบรรจุ อย่างไรก็ตาม ด้วยตนเองนี้ชั่งขั้นตอนเป็นเวลานาน ต่ำ และ labor-intensiveลักษณะทางกายภาพของสินค้าเกษตรเป็นส่วนใหญ่พารามิเตอร์ที่สำคัญในการกำหนดมาตรฐานเหมาะสมออกแบบการจัดเกรด ส่ง ประมวลผล และระบบบรรจุภัณฑ์คุณสมบัติทางกายภาพสำคัญของผลไม้มีรูปร่าง ขนาด ความหนาแน่น porosity เสียง และมวลผลไม้และแรงเสียดทานกับพื้นผิวต่าง ๆ (Akar และ Aydin, 2005) คุณสมบัติเหล่านี้ได้ศึกษาเกษตรต่าง ๆ เช่นสาเก terebinth หอมใหญ่ อัลมอนด์ กระโดดโลดเต้น ไมร์เทิล และผลไม้ทับทิม(Omobuwajo et al., 1999 Aydin และ Ozcan, 2002 Abhayawickและ al., 2002 Aydin, 2003 Sessiz et al., 2007 Aydine และ Ozcan2007 Khoshnam et al., 2007) มีบางสถานการณ์ที่เป็นการสมควรกำหนดความสัมพันธ์ระหว่างมิติรูปทรงเรขาคณิต ตัวอย่าง ผลไม้มักจะแบ่งแยกตามขนาด แต่อาจmore economical to develop a machine vision system which gradesby weight or volume. Simple model equations to estimate the massof various agricultural products such as apple, pomegranate,and apricot are available (Tabatabaeefar and Rajabipour, 2005;Khoshnam et al., 2007; Naderi-Boldajia et al., 2008). However,measuring dimensions using a digital caliper is subject to humanerror and may not be an efficient and practical approach to estimate volume, particularly in sorting large quantities of agriculturalproducts indoors or in monitoring yield during harvesting.In fruits and vegetables size, mass, volume, and density attributes are somewhat correlated. Volume and mass together, determine fruit density related to produce consistency and flavor.Volume can also be used for harvest time prediction (Hahn andSanchez, 2000). For instance, volume used as a fruit and vegetablesorting feature shows a 0.91 correlation coefficient with length onjalapeno chilli grading (Hahn et al., 1997). Differences in densityhave also been utilized for quality inspection such as seed viabilitytest and citrus granulation test. Different mathematical models andnumerical analysis methods have been applied to extract a representation of volume. Some commonly used methods to determinevolume include geometric mean diameter, water displacementmethod, and gas displacement method.In recent years, machine vision has been found increasinglyมีประโยชน์ในการเกษตร และ อุตสาหกรรมอาหาร โดยเฉพาะอย่างยิ่งสำหรับการใช้งานในการตรวจสอบคุณภาพ ห้องประชุมมาตรฐาน และเพิ่มขึ้นมูลค่าตลาด ในความเป็นจริง วิสัยทัศน์เครื่องเป็นเครื่องมือมีประสิทธิภาพสูงสุดสำหรับวัดคุณลักษณะภายนอกเช่นความเข้มสี สีhomogeneity เส้นเลือดขอด ขนาด รูปร่าง และรหัสต้นกำเนิด ที่ใช้วิสัยทัศน์เครื่องยังได้รับดอกเบี้ยที่กำหนดของคุณลักษณะทางกายภาพของวัตถุรูปทรงไม่สม่ำเสมอ และผลไม้เนื่องจากเป็นวิธีทำลายต้องวิเคราะห์ภาพ และขั้นตอนการประมวลผลภาพForbes และ Tattersfield (1999) พัฒนาเครื่องรวมวิสัยทัศน์และเทคนิคโครงข่ายประสาทการประเมินปริมาณลูกแพร์จากภาพดิจิตอล 2-Dแฟงเฟิร์ทฮันและแซนเชซ (2000) ได้รับการพัฒนาอัลกอริทึมเกี่ยวกับภาพวัดระดับเสียงของวงไม่ใช่รูปสินค้าเกษตรเช่นแครอทAndWang Sabliov et al. (2002) และ Nguang (2007) ใช้เทคนิคการคำนวณปริมาตรและพื้นผิวการประมวลผลภาพพื้นที่เกษตร axi สมมาตรลีเอส al. (2003) และEifert et al. (2006) ได้นำแนวทางวิสัยทัศน์ของเครื่องและพัฒนาระบบสำหรับการประเมินเสียงภาพรูปร่างไม่สม่ำเสมอเกษตรใช้ประมาณรัศมีKoc (2007) กำหนดระดับเสียงของแตงโมที่ใช้ทรงรีประมาณและประมวลผลภาพ Khojastehnazhand et alมีพัฒนา และทดสอบเครื่องมองเห็นและภาพที่ประมวลผลสำหรับการคำนวณพื้นที่ผิวและปริมาตรของ axi สมมาตร (2009)agricultural products.Computer-generated artificial classifiers that are intended tomimic human decision making for grading and product qualityhave recently been studied intensively. The online lentil color classification using a flatbed scanner with neural classifier developedbyShahin and Symons (2001)achieved an overall accuracy of morethan 90%.Leemans et al. (2002)developed an on-line fruit gradingsystem based on external quality features of two varieties of apples, Golden Delicious and Jonagold, using quadratic discriminantanalysis and neural networks. The image grading was achieved insix steps: image acquisition; ground color classification; defectsegmentation; calyx and stem recognition; defects characterization; and finally the fruit classification into quality classes. Bothalgorithms resulted in similar results (79% and 72%) for both varieties studied.Blasco et al. (2003)combined machine vision techniques with Bayesian discriminant analysis for online estimationof the quality of oranges, peaches, and apples, and evaluated theefficiency of these techniques regarding the following quality attributes: size, color, stem location, and detection of externalblemishes.The objective of this research was to develop an image processing method for determination of volume of citrus fruits such aslemon, lime, orange and tangerine. The method provides a valuablealternative to the traditional methods for measurement of volumeof axi-symmetric agricultural products and can be used to designand develop sizing systems.

ผลลัพธ์ (ไทย) 2:

1. บทนำ
การผลิตส้มประจำปีในอิหร่านเป็น 3.5 ล้านตันซึ่งเป็น
อันดับที่หกของโลก ก่อนที่จะถูกส่งออกผลไม้ส้มทั้งหมด
อยู่ภายใต้การตรวจสอบเพื่อวัตถุประสงค์ในการควบคุมคุณภาพและได้รับการ
จัดลำดับตามขนาดของพวกเขาจนครบกำหนดและการปรากฏตัวของข้อบกพร่อง.
ขนาดของผลไม้ส้มมักจะแสดงโดยมวลของมันเพราะ
มันค่อนข้างง่ายที่จะวัด ปัจจุบันวัดจะ
ทำได้ด้วยตนเองโดยการชั่งน้ำหนักผลไม้ส้มบุคคลที่จะได้รับเครื่องแบบ
ขนาดก่อนที่จะบรรจุภัณฑ์ อย่างไรก็ตามขั้นตอนการชั่งน้ำหนักนี้คู่มือการ
ใช้เวลานาน, ไม่มีประสิทธิภาพและใช้แรงงานเข้มข้น.
ลักษณะทางกายภาพของผลิตภัณฑ์ทางการเกษตรเป็นส่วนใหญ่
ตัวแปรที่สำคัญในการกำหนดมาตรฐานที่เหมาะสมของ
การออกแบบของการจัดลำดับการขนส่ง, การประมวลผลและระบบการบรรจุภัณฑ์.
คุณสมบัติทางกายภาพที่สำคัญของ ผลไม้ส้มมีรูปร่างขนาดความหนาแน่นพรุนปริมาตรและมวลของผลไม้และแรงเสียดทานกับพื้นผิวต่างๆ (Akar และ Aydin, 2005) คุณสมบัติเหล่านี้ได้รับการ
ศึกษาสำหรับสินค้าเกษตรต่างๆเช่นสาเก, ผลไม้ต้นโอ๊ก, หัวหอม, อัลมอนด์, กระโดดโลดเต้น, ไมร์เทิลและทับทิม
(Omobuwajo et al, 1999;. Aydin และ Ozcan 2002; Abhayawick
et al, 2002;. Aydin 2003 ; ปิดเสียงและคณะ, 2007;. Aydine และ Ozcan,
2007. Khoshnam et al, 2007) มีสถานการณ์บางอย่างในซึ่งเป็นที่
เป็นที่น่าพอใจในการกำหนดความสัมพันธ์ระหว่างมิติทางเรขาคณิต ตัวอย่างเช่นผลไม้มักจะมีคะแนนตามขนาด แต่มันอาจจะ
ประหยัดมากขึ้นในการพัฒนาระบบการมองเห็นเครื่องที่เกรด
โดยน้ำหนักหรือปริมาตร สมการแบบง่ายๆที่จะประเมินมวล
ของผลิตภัณฑ์ทางการเกษตรต่างๆเช่นแอปเปิ้ล, ทับทิม
และแอปริคอทที่มีอยู่ (Tabatabaeefar และ Rajabipour 2005;
. Khoshnam et al, 2007;. Naderi-Boldajia et al, 2008) อย่างไรก็ตาม
วัดขนาดโดยใช้คาลิปเปอร์ดิจิตอลเป็นเรื่องที่มนุษย์
ผิดพลาดและไม่อาจจะเป็นวิธีการที่มีประสิทธิภาพและการปฏิบัติในการประเมินปริมาณโดยเฉพาะอย่างยิ่งในการเรียงลำดับในปริมาณมากของการเกษตร
ผลิตภัณฑ์ในบ้านหรือในอัตราผลตอบแทนจากการตรวจสอบในระหว่างการเก็บเกี่ยว.
ในผลไม้และผักขนาดมวล ปริมาณและคุณลักษณะความหนาแน่นมีความสัมพันธ์ค่อนข้าง ปริมาณและมวลร่วมกันตรวจสอบความหนาแน่นของผลไม้ที่เกี่ยวข้องกับการผลิตสอดคล้องและรสชาติ.
เล่มที่ยังสามารถใช้ในการทำนายเวลาเก็บเกี่ยว (ฮาห์นและ
ซานเชซ, 2000) ยกตัวอย่างเช่นปริมาณการใช้เป็นผักและผลไม้
คุณลักษณะการเรียงลำดับแสดงให้เห็นว่าค่าสัมประสิทธิ์สหสัมพันธ์ 0.91 มีความยาวใน
การจัดลำดับพริก Jalapeno (ฮาห์น et al., 1997) ความแตกต่างในความหนาแน่น
ก็ยังคงถูกนำมาใช้สำหรับการตรวจสอบที่มีคุณภาพเช่นความมีชีวิตของเมล็ด
ทดสอบและทดสอบเม็ดส้ม แบบจำลองทางคณิตศาสตร์ที่แตกต่างกันและ
วิธีการวิเคราะห์เชิงตัวเลขได้ถูกนำมาใช้ในการสกัดการเป็นตัวแทนของปริมาณ บางวิธีที่นิยมใช้ในการกำหนด
ปริมาณรวมเส้นผ่านศูนย์กลางเฉลี่ยเรขาคณิต, การกำจัดน้ำ
วิธีการและวิธีการกำจัดก๊าซ.
ในปีที่ผ่านมามองเห็นเครื่องมีการค้นพบมากขึ้นเรื่อย ๆ
ที่มีประโยชน์ในอุตสาหกรรมเกษตรและอาหารโดยเฉพาะอย่างยิ่งสำหรับการใช้งาน
ในการตรวจสอบคุณภาพตามมาตรฐานที่มีคุณภาพและ การเพิ่ม
มูลค่าตลาด ในความเป็นจริงการมองเห็นเครื่องเป็นเครื่องมือที่มีประสิทธิภาพมากที่สุดสำหรับการวัดคุณสมบัติภายนอกเช่นความเข้มของสีสี
สม่ำเสมอฟกช้ำขนาดรูปร่างและบัตรประจำตัวต้นกำเนิด
ใช้มองเห็นเครื่องยังดึงดูดความสนใจสำหรับการกำหนด
ของคุณลักษณะทางกายภาพของผลไม้และวัตถุที่มีรูปทรงผิดปกติเพราะมันเป็นวิธีที่ไม่ทำลายต้องวิเคราะห์ภาพและการ
ประมวลผลภาพและ procedures.Forbes Tattersfield (1999) การพัฒนาวิสัยทัศน์เครื่องรวมและประสาท เทคนิคเครือข่ายสำหรับ
การประมาณของปริมาณลูกแพร์จาก 2 มิติ images.Hahn ดิจิตอล
และซานเชซ (2000) การพัฒนาอัลกอริทึมการถ่ายภาพในการวัด
ปริมาณของที่ไม่ใช่วงกลมสินค้าเกษตรที่มีรูปร่างเช่น
carrots.Sabliov และคณะ (2002) และ andWang Nguang (2007) ที่ใช้
เทคนิคการประมวลผลภาพเพื่อคำนวณปริมาณและพื้นผิว
ของพื้นที่ AXI สมมาตรการเกษตร products.Lee และคณะ (2003) และ
Eifert และคณะ (2006) ได้นำวิธีการมองเห็นเครื่อง
และการพัฒนาระบบการถ่ายภาพสำหรับการประเมินปริมาณสำหรับ
สินค้าเกษตรที่ผิดปกติรูปโดยใช้ประมาณการรัศมี.
Koc (2007) กำหนดปริมาณการใช้แตงโมทรงรี
ประมาณและการประมวลผลภาพ Khojastehnazhand et al.
(2009) ได้มีการพัฒนาและทดสอบเครื่องวิสัยทัศน์และการประมวลผลภาพการคำนวณพื้นที่ผิวและปริมาณของ AXI สมมาตร
สินค้าเกษตร.
คอมพิวเตอร์สร้างแยกแยะเทียมที่มีวัตถุประสงค์เพื่อ
เลียนแบบการตัดสินใจของมนุษย์ทำให้การจัดลำดับและคุณภาพของผลิตภัณฑ์
ที่ได้รับเมื่อเร็ว ๆ นี้ การศึกษาอย่างละเอียด การจำแนกสีถั่วออนไลน์โดยใช้เครื่องสแกนเนอร์กับลักษณนามประสาทพัฒนา
byShahin และ Symons (2001) ประสบความสำเร็จโดยรวมของความถูกต้องมากขึ้น
กว่า 90% .Leemans และคณะ (2002) การพัฒนาผลไม้เกี่ยวกับสายการจัดลำดับ
ระบบขึ้นอยู่กับคุณสมบัติที่มีคุณภาพภายนอกของทั้งสองสายพันธุ์ของแอปเปิ้ล, โกลเด้นอร่อยและ Jonagold ใช้จำแนกกำลังสอง
การวิเคราะห์และโครงข่ายประสาทเทียม การจัดลำดับภาพก็ประสบความสำเร็จใน
หกขั้นตอนการควบรวมภาพ; พื้นดินการจำแนกสี ข้อบกพร่อง
การแบ่งส่วน; กลีบเลี้ยงและการรับรู้ต้นกำเนิด; ลักษณะข้อบกพร่อง; และในที่สุดการจัดหมวดหมู่ผลไม้ในชั้นเรียนที่มีคุณภาพ ทั้ง
ขั้นตอนวิธีการส่งผลให้ผลที่คล้ายกัน (79% และ 72%) สำหรับทั้งพันธุ์ studied.Blasco และคณะ (2003) เทคนิคการมองเห็นเครื่องรวมกับการวิเคราะห์จำแนกแบบเบย์สำหรับการประมาณออนไลน์
ที่มีคุณภาพของส้ม, พีชและแอปเปิ้ลและประเมินผล
คุณลักษณะประสิทธิภาพของเทคนิคเหล่านี้เกี่ยวกับการที่มีคุณภาพต่อไปนี้: ขนาดสีสถานที่ต้นกำเนิดและการตรวจสอบภายนอก
สิว .
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาวิธีการประมวลผลภาพในการตรวจวัดปริมาณของผลไม้ส้มเช่น
มะนาว, มะนาวส้มและส้มเขียวหวาน วิธีการให้ที่มีคุณค่า
ทางเลือกที่จะใช้วิธีการแบบดั้งเดิมสำหรับการวัดปริมาณ
ของผลิตภัณฑ์ทางการเกษตร AXI สมมาตรและสามารถนำมาใช้ในการออกแบบ
และพัฒนาระบบการปรับขนาด

ผลลัพธ์ (ไทย) 3:

1 . บทนำ
ประจำปีการผลิตส้มในอิหร่านเป็น 3.5 ล้านตัน ซึ่งเป็น
1 6 ในโลก ก่อนที่จะถูกส่งออกทั้งหมดผลไม้ส้ม
อยู่ภายใต้การตรวจสอบเพื่อวัตถุประสงค์ในการควบคุมคุณภาพและ
ให้คะแนนตามขนาด อายุ และสถานะของข้อบกพร่อง .
ขนาดของผลไม้ส้มมักแทนด้วยมวลเพราะ
ค่อนข้างง่ายในการวัด ในปัจจุบันการวัดจะทำโดยบุคคลด้วยตนเอง
ชั่งผลไม้ส้มเพื่อให้ได้ขนาดสม่ำเสมอ
ก่อนบรรจุภัณฑ์ อย่างไรก็ตาม , นี้คู่มือขั้นตอนการชั่ง
สิ้นเปลืองเวลาไม่ได้ผล และใช้แรงงาน .
ลักษณะทางกายภาพของผลิตภัณฑ์ทางการเกษตรเป็นพารามิเตอร์ที่สำคัญที่สุดในการกำหนดมาตรฐานที่เหมาะสมของ

ออกแบบการถ่ายทอดกระบวนการและระบบบรรจุภัณฑ์
สมบัติทางกายภาพที่สำคัญของผลไม้ส้มมีรูปร่าง , ขนาด , ความหนาแน่น , ความพรุน , ปริมาณและมวลและการเสียดสีกับพื้นผิวต่าง ๆ ผลไม้ และ akar Aydin , 2005 ) คุณสมบัติเหล่านี้ได้ถูก
ศึกษาผลิตภัณฑ์ทางการเกษตรต่างๆ เช่น สาเก terebinth , ผลไม้ , หอม , อัลมอนด์ , เคปเปอร์ น้ำมันเขียว และทับทิม
( omobuwajo et al . , 1999 ; Aydin และ Ozcan , 2002 ; abhayawick
et al . , 2002 ;Aydin , 2003 ; sessiz et al . , 2007 ; และ aydine Ozcan ,
2007 ; khoshnam et al . , 2007 ) มีบางสถานการณ์ที่
เป็นที่พึงปรารถนาเพื่อตรวจสอบความสัมพันธ์ระหว่างมิติเรขาคณิต ตัวอย่างเช่น ผลไม้มักจะให้คะแนนตามขนาด แต่มันอาจจะเป็น
ประหยัดมากขึ้นเพื่อพัฒนาเครื่องระบบวิชั่นซึ่งเกรด
โดยน้ำหนักหรือปริมาตร สมการง่าย ๆที่จะประเมินมวล
ผลิตภัณฑ์ทางการเกษตรต่างๆ เช่น แอปเปิ้ล , ทับทิม ,
และ apricot มี ( tabatabaeefar และ rajabipour , 2005 ;
khoshnam et al . , 2007 ; naderi boldajia et al . , 2008 ) อย่างไรก็ตาม การวัดขนาดใช้ caliper ดิจิตอล

อาจมีข้อผิดพลาดของมนุษย์และอาจเป็นวิธีที่มีประสิทธิภาพและเป็นประโยชน์ในการประมาณการปริมาณ โดยเฉพาะอย่างยิ่งการปริมาณมากของการเกษตร
ผลิตภัณฑ์ในบ้านหรือในการตรวจสอบผลผลิตในการเก็บเกี่ยว .
ในผัก และผลไม้ ขนาด มวล ปริมาตร และคุณลักษณะความหนาแน่นค่อนข้างมีความสัมพันธ์ . ปริมาตรและมวลร่วมกันตรวจสอบความหนาแน่นผลที่เกี่ยวข้องเพื่อให้เกิดความสอดคล้องและรส .
เสียงที่ยังสามารถใช้สำหรับการเก็บเกี่ยวเวลาพยากรณ์ ( ฮาห์นและ
ซานเชส , 2000 ) ตัวอย่าง ปริมาณการใช้เป็นผักและผลไม้
การคัดแยกคุณลักษณะแสดงความสัมพันธ์กับความยาวในแบบ ( jalapeno พริก
เกรด ( Hahn et al . , 1997 ) ความแตกต่างในความหนาแน่น
ยังถูกใช้สำหรับการตรวจสอบคุณภาพ เช่น การทดสอบความมีชีวิตของเมล็ด และทดสอบ
เม็ดส้ม แบบจำลองทางคณิตศาสตร์ที่แตกต่างกันและ
วิธีการวิเคราะห์เชิงตัวเลข ได้ใช้สารสกัดแสดงปริมาณ บางคนนิยมใช้วิธีการตรวจสอบ
ปริมาณรวมเส้นผ่านศูนย์กลางเรขาคณิต หมายถึง วิธีการแทนที่
น้ำและวิธีการแทนที่ก๊าซ .
ในปีล่าสุด มองเห็นของเครื่องจักรได้มากขึ้น
มีประโยชน์ในอุตสาหกรรมอาหารและการเกษตร โดยเฉพาะอย่างยิ่งสำหรับการใช้งาน
ในการตรวจสอบคุณภาพ ประชุมมาตรฐานคุณภาพ และเพิ่ม
มูลค่าตลาด ในความเป็นจริงวิสัยทัศน์ของเครื่องเป็นเครื่องมือที่มีประสิทธิภาพมากที่สุดเพื่อวัดคุณลักษณะภายนอก เช่น ความเข้มสี
เอกพันธ์ , bruises , ขนาด , รูปร่าง , ต้น และ บัตรประชาชน
ใช้วิสัยทัศน์ของเครื่องก็ดึงดูดความสนใจจากความมุ่งมั่น
ของคุณลักษณะทางกายภาพของวัตถุที่มีรูปร่างผิดปกติ และผลไม้ เพราะมันเป็นแบบไม่ต้องใช้วิธีและรูปภาพ
ขั้นตอนการประมวลผลภาพฟอร์บ และ tattersfield ( 2542 ) ได้พัฒนาวิสัยทัศน์และเทคนิครวมเครื่องเครือข่ายประสาทสำหรับ
การประเมินปริมาณลูกแพร์จาก 2 มิติ ภาพดิจิตอล - ฮาห์น
และซานเชส ( 2000 ) พัฒนาขั้นตอนวิธีภาพวัด
ปริมาณไม่เป็นวงกลมรูปผลิตภัณฑ์ทางการเกษตรเช่น
carrots.sabliov et al . ( 2002 ) และ andwang งวง ( 2007 ) ใช้
เทคนิคการประมวลผลภาพเพื่อคำนวณปริมาณและพื้นที่ผิว
ของ Axi สินค้าเกษตรสมมาตร ลี และคณะ ( 2003 ) และ
ไอเฟิร์ต et al . ( 2549 ) ได้นำเครื่องวิสัยทัศน์แนวทาง
และพัฒนาระบบภาพ เพื่อประเมินปริมาณสำหรับ
ที่มีรูปร่าง ผิดปกติทางการเกษตรด้วย ประมาณการ รัศมี
koc ( 2007 ) กำหนดปริมาณของแตงโม
ใช้ทรงรีการประมาณค่าและประมวลผลภาพ khojastehnazhand et al .
( 2009 ) ได้พัฒนาและทดสอบเครื่องวิสัยทัศน์และการประมวลผลภาพสำหรับการคำนวณพื้นที่ผิวและปริมาตรของฝ่ายอักษะสินค้าเกษตรสมมาตร
.
คอมพิวเตอร์สร้างคำเทียมที่มีวัตถุประสงค์เพื่อการตัดสินใจสำหรับการเลียนแบบมนุษย์

คุณภาพผลิตภัณฑ์และเพิ่งได้รับการศึกษาอย่าง ชัดเจนออนไลน์ถั่วสีการจำแนกโดยใช้สแกนเนอร์ด้วยประสาทแบบพัฒนา
byshahin ไซมอนส์ ( 2001 ) และบรรลุความถูกต้องโดยรวมของมากกว่า
กว่า 90% leemans et al . ( 2002 ) พัฒนาออนไลน์ผลไม้เกรด
ระบบตามลักษณะคุณภาพภายนอกของพันธุ์แอปเปิ้ลโกลเด้นอร่อยและ jonagold ใช้ Quadratic จำแนก
การวิเคราะห์และโครงข่ายประสาทเทียมภาพงานสําเร็จใน
6 ขั้นตอนการภาพ การจำแนกสีพื้น การแบ่งส่วนข้อบกพร่อง
; กลีบเลี้ยงและก้านข้อบกพร่องการรับรู้ ; ; และในที่สุดผลการจำแนกในชั้นเรียนที่มีคุณภาพ ทั้ง
ขั้นตอนวิธีส่งผลให้เกิดผลลัพธ์ที่คล้ายคลึงกัน ( 79 เปอร์เซ็นต์และ 72 เปอร์เซ็นต์ ) ทั้งสายพันธุ์เรียน กระตือรือร้นมากที่สุด et al .( 2546 ) รวมเครื่องด้วยเทคนิคการวิเคราะห์แบบเบส์สำหรับการออนไลน์ประมาณ
ของคุณภาพของส้มลูกพีชและแอปเปิ้ล และ การประเมินประสิทธิภาพของเทคนิคเหล่านี้เกี่ยวกับ
คุณภาพต่อไปนี้คุณสมบัติ : ขนาด , สี , ต้น ที่ตั้ง และการตรวจหารอยภายนอก

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาวิธีการประมวลผลภาพสำหรับการหาปริมาณของผลไม้ตระกูลส้ม เช่น
มะนาว , มะนาว , ส้ม และส้มเขียวหวาน วิธีการให้คุณค่า
ทางเลือกวิธีการดั้งเดิมสำหรับการวัดปริมาณ
ของ Axi สินค้าเกษตรสมมาตรและสามารถใช้ในการออกแบบและพัฒนาระบบ
ขนาด .