visiona b s t r a c tHardness is on

visiona b s t r a c tHardness is one of the major factors in determining the quality of dried fruits. It increases the chewinessand toughness of the fruits. A robust quality assurance system is required for on-line grading of dried fruitsas the present manual methods are inconsistent, inaccurate and laborious. The objective of this study wasto determine the efficiency of a RGB color imaging technique to classify dates into three classes based onhardness: hard, semi-hard and soft dates. Dates from three common varieties in Oman (Fard, Khalas andNaghal) were used in this study (total 3300 samples). The RGB image of individual date sample was takenby a CCD camera and analyzed using Matlab software. Thirty nine features (13 features in each R, G andB channel) were extracted from each image and analyzed. Three classes (hard, semi-hard and soft) andtwo classes (hard and soft (“semi-hard and soft” together as “soft”)) classification models were developedusing linear discriminant analysis (LDA) with all features and stepwise discriminant analysis (SDA) withselected features (based on level of contribution to classification). In three classes approach, the overallclassification accuracy was 69%, 87% and 82% for Fard, Khalas and Naghal varieties, respectively, using LDA.It was 68%, 86% and 81% for Fard, Khalas and Naghal varieties, respectively, using SDA. The classificationaccuracy was improved in two classes approach. It was 84% (LDA) and 83% (SDA) for Fard, 90% (LDA)and 91% (SDA) for Khalas, and 96% (both in LDA and SDA) for Naghal varieties. Imaging techniques havegreat potential to develop on-line quality monitoring systems for dates based on hardness. However,further studies are required using other image acquisition systems such as NIR cameras to improve theclassification.

ผลลัพธ์ (ไทย) 1:

visiona b s t r tHardness c เป็นหนึ่งในปัจจัยสำคัญในการกำหนดคุณภาพของผลไม้อบแห้ง มันเพิ่มความเหนียว chewinessand ผลไม้ ระบบประกันคุณภาพที่มีประสิทธิภาพจำเป็นต้องสำหรับแห้งออนไลน์จัดเกรดของ fruitsas ปัจจุบันด้วยตนเองวิธีสอดคล้องกัน ไม่ถูกต้อง และลำบาก กำหนดวัตถุประสงค์ของการศึกษา wasto นี้ onhardness คะแนนประสิทธิภาพของสี RGB ภาพเทคนิคในการจัดประเภทวันเป็นชนชั้นที่สาม: วันแข็ง แข็ง และอ่อน จากสามพันธุ์ทั่วไปในประเทศโอมาน (คึก Khalas andNaghal) ถูกนำมาใช้ในการศึกษานี้ (ตัวอย่าง 3300 รวม) ภาพ RGB ของแต่ละวันอย่างเป็น takenby กล้อง CCD และวิเคราะห์โดยใช้ Matlab ซอฟต์แวร์ คุณสมบัติสามสิบเก้า (13 คุณลักษณะในแต่ละ R, G andB ช่อง) ถูกแยกจากแต่ละภาพ และวิเคราะห์ สามเรียนชั้น andtwo (ยาก กึ่งแข็ง และอ่อน) (แข็ง และอ่อน ("กึ่งแข็ง และอ่อน" ด้วยกันเป็น "นุ่มนวล")) การจำแนกรุ่นได้วิเคราะห์เชิงเส้น discriminant developedusing (LDA) ด้วยคุณสมบัติทั้งหมดและ discriminant ศ (SDA) withselected ลักษณะ (ตามระดับของการจัดประเภทเงินสมทบ) ในแนวทางสามชั้นเรียน ความถูกต้อง overallclassification ได้ 69%, 87% และ 82% สำหรับคึก Khalas และ Naghal พันธุ์ ตามลำดับ ใช้ LDA ได้ 68%, 86% และ 81% สำหรับคึก Khalas และ Naghal พันธุ์ ตามลำดับ ใช้ SDA Classificationaccuracy ถูกปรับปรุงในสองชั้นเรียนวิธี 84% (LDA) และ 83% (SDA) สำหรับคึก 90% (LDA) และ 91% (SDA) สำหรับ Khalas และ 96% (ทั้ง LDA และ SDA) สำหรับพันธุ์ Naghal ได้ ภาพเทคนิค havegreat มีศักยภาพในการพัฒนาระบบการตรวจสอบคุณภาพออนไลน์วันที่อิงความแข็ง อย่างไรก็ตาม การศึกษาจะต้องใช้ระบบเก็บภาพอื่น ๆ เช่น NIR กล้องเพื่อปรับปรุง theclassification

ผลลัพธ์ (ไทย) 2:

visiona bstrac tHardness เป็นหนึ่งในปัจจัยสำคัญในการกำหนดคุณภาพของผลไม้แห้ง มันจะเพิ่มความเหนียว chewinessand ของผลไม้ ระบบการประกันคุณภาพที่มีประสิทธิภาพเป็นสิ่งจำเป็นสำหรับการจัดลำดับในสายของ fruitsas แห้งวิธีการด้วยตนเองในปัจจุบันไม่สอดคล้องกันไม่ถูกต้องและลำบาก วัตถุประสงค์ของการศึกษาครั้งนี้ wasto ตรวจสอบประสิทธิภาพของเทคนิคการถ่ายภาพสี RGB ที่จะจัดวันที่เป็นสามชั้นเรียนตาม onhardness นี้แข็งกึ่งแข็งและอ่อนวัน จากวันที่สามสายพันธุ์ที่พบบ่อยในโอมาน (Fard, Khalas andNaghal) ถูกนำมาใช้ในการศึกษานี้ (รวม 3300 ตัวอย่าง) ภาพ RGB ของกลุ่มตัวอย่างแต่ละวันเป็น takenby กล้อง CCD และวิเคราะห์โดยใช้ซอฟแวร์ Matlab สามสิบเก้าคุณลักษณะ (13 ลักษณะการทำงานในแต่ละ R, G andB Channel) ถูกสกัดจากภาพแต่ละภาพและวิเคราะห์ สามชั้น (แข็งกึ่งแข็งและอ่อน) andtwo เรียน (แข็งและอ่อน ( "กึ่งแข็งและอ่อน" ร่วมกันเป็น "อ่อน")) รุ่นจำแนกถูก developedusing วิเคราะห์จำแนกเชิงเส้น (LDA) ที่มีคุณสมบัติทั้งหมดและการวิเคราะห์แบบขั้นตอนจำแนก ( SDA) withselected คุณลักษณะ (ขึ้นอยู่กับระดับของการมีส่วนร่วมในการจัดหมวดหมู่) ในสามชั้นเรียนวิธีการถูกต้อง overallclassification เป็น 69%, 87% และ 82% สำหรับ Fard, Khalas และ Naghal พันธุ์ตามลำดับโดยใช้ LDA.It เป็น 68%, 86% และ 81% สำหรับ Fard, Khalas และ Naghal พันธุ์ตามลำดับ ใช้ SDA classificationaccuracy ได้รับการปรับปรุงในแนวทางสองชั้น มันเป็น 84% (LDA) และ 83% (SDA) สำหรับ Fard 90% (LDA) และ 91% (SDA) สำหรับ Khalas และ 96% (ทั้งในและ LDA SDA) สำหรับพันธุ์ Naghal เทคนิคการถ่ายภาพ havegreat ที่มีศักยภาพในการพัฒนาระบบการตรวจสอบคุณภาพในสายสำหรับวันที่อยู่บนพื้นฐานของความแข็ง อย่างไรก็ตามการศึกษาต่อไปจะต้องใช้ระบบการควบรวมภาพอื่น ๆ เช่นกล้อง NIR เพื่อปรับปรุง theclassification

ผลลัพธ์ (ไทย) 3:

visiona B S T R A C thardness เป็นหนึ่งในปัจจัยที่สำคัญในการกำหนดคุณภาพของผลไม้แห้ง มันเพิ่ม chewinessand ความเหนียวของผลไม้ คุณภาพทนทาน ระบบประกันเป็นสิ่งจำเป็นสำหรับการอบแห้งออนไลน์ fruitsas ปัจจุบันคู่มือวิธีการไม่สอดคล้องกันที่ไม่ถูกต้อง และลําบาก วัตถุประสงค์ของการศึกษานี้คือ เพื่อศึกษาประสิทธิภาพของเทคนิคการถ่ายภาพสี RGB เพื่อจำแนกเป็น 3 ชั้น ตามช่อง onhardness หนักกึ่งวันที่หนักและนุ่ม จากวันที่สามพันธุ์ทั่วไปในโอมาน ( Fard คาลาส , andnaghal ) สถิติที่ใช้ในการศึกษานี้ ( รวม 3 คน ) RGB ภาพตัวอย่างวันที่บุคคล takenby กล้อง CCD และวิเคราะห์ข้อมูลโดยใช้โปรแกรม MATLAB . สามสิบเก้าคุณสมบัติ ( 13 คุณสมบัติในแต่ละ R , G ทางช่อง ) สกัดจากภาพแต่ละภาพและวิเคราะห์ 3 ชั้น ( แข็ง กึ่งแข็งและอ่อน ) สองชั้น ( หนักและเบา ( " กึ่งแข็งและอ่อน " รวมกันเป็น " อ่อน " ) เป็นรูปแบบการ developedusing การวิเคราะห์โดยตรง ( lda ) ด้วยคุณสมบัติและการวิเคราะห์จำแนกประเภทแบบขั้นตอน ( SDA ) withselected คุณสมบัติ ( ตามระดับของการสนับสนุนเพื่อการจำแนก ) 3 เรียนวิธีการ overallclassification ความถูกต้องคือ 69 เปอร์เซ็นต์ 87 และ 82 เปอร์เซ็นต์และฝาดคาลาส , naghal พันธุ์ ตามลำดับ การใช้ lda มันคือ 68% , 86 % และ 81% ฝาดและคาลาส , naghal พันธุ์ ตามลำดับ การใช้ SDA การ classificationaccuracy ดีขึ้นใน 2 ประเภทวิธีการ มันเป็น 84% ( lda ) และ 83% ( SDA ) ฝาด 90% ( lda ) และ 91% ( SDA ) คาลาส และ 96% ( ทั้งในและ lda SDA ) สำหรับ naghal พันธุ์ เทคนิคการถ่ายภาพ havegreat ศักยภาพที่จะพัฒนาคุณภาพระบบการตรวจสอบออนไลน์เดทตามความแข็ง อย่างไรก็ตาม การศึกษาเพิ่มเติมจะต้องใช้ระบบการได้มาซึ่งภาพอื่นๆ เช่น กล้องทั่วไปเพื่อปรับปรุง theclassification .