- ข้อความ
- ประวัติศาสตร์
1. IntroductionThe persimmon (Diosp
1. Introduction
The persimmon (Diospyros kaki Thunb.) as a commercially
important crop is more widespread in Asian countries (Del Bubbaet al., 2009). In 2011, persimmon production has been reported over than 4.3 million ton throughout the world. China with production share of 74% (3.2 million ton) is the number one producer and Korea and Japan came second and third with 9% and 4.8%, respectively (FAOSTAT, 2012). The persimmon contains bioactive compounds such as ascorbic acid, condensed tannins and carotenoids, which have many beneficial effects due to their antioxidant properties (Plaza et al., 2011). Delicate nature of persimmon, sensitive texture,poor handling applications and inadequate storage facilities have
caused transportation techniques and ripening control to be very important for developing fast and new automatic systems (Luo,2007).Today, in various agricultural commodity grading systems, computer vision has become an alternative to visual inspection being objective, consistent, rapid, and economical (Donis-González et al.,2012). Color is the major attribute to assess quality of agricultural products more than any other single factor (Kang et al.,2008). Products color can be measured by visual, instrumental andmachine vision methods (Hosseinpour et al., 2012). Accordingly,color sorting and grading have been reported as one of the best
non-destructive methods, for products often have significant color
changes during ripening, such as apple (Garrido-Novell et al., 2012;Leemans et al., 2002, 1999), mango (Balaban et al., 2008), peach
(Lleó et al., 2011), tomato (Lana et al., 2006b), orange (Okamoto
and Lee, 2009), grape (Rodríguez-Pulido et al., 2012), and cherry
(Wang et al., 2012). Although firmness plays the most important
role in persimmon harvesting, appearance color is usually used as
a non-destructive index for harvesting (Salvador et al., 2007).
Optical sensors have been used for grading, sorting, and fruit
quality detection of different crops (Abdullah et al., 2002, 2006;Conklin et al., 2002; Furferiet al., 2010; Lanaet al., 2006a; Leemanset al., 1999; Pedreschi et al., 2006; Peng and Lu, 2006; Zhang et al.,2003). Blasco et al. (2008) developed a computer vision-based
machine for detecting and removing unwanted material and sorting the pomegranate arils by color. Liming and Yanchao (2009)
developed an automated strawberry grading system using image
processing technique and graded the strawberry adopting one or
two or three indices among shape, color and size. Okamoto and
Lee (2009) developed an image processing method to detect green
citrus fruit in individual trees to apply for crop yield estimation
at a much earlier stage of growth. Furferi et al. (2010) described a
method based on artificial neural network (ANN) for rapid, automatic and objective prediction of the Ripening Index of an olive
lot. A multispectral machine vision was presented for grading
apple fruits by minimal confusion with calyx areas on multispectral images, statistical, textural and geometric features that was extracted from the segmented area (Unay et al., 2011). A statistical
pattern recognition technique was developed to rate objectively
and consistently the quality of fresh sliced chestnuts using computer vision (Donis-González et al., 2012). In another work, oil
palm fresh fruit bunch maturity was determined using a fourband sensor by acquiring reflectance data, and pattern recognition
algorithms (Saeed et al., 2012). Saeed et al. (2012) used a multiband portable, active optical sensor system, comprising of four
spectral bands to detect oil palm fresh fruit bunch maturity. The
potential of RGB (red, green and blue) digital imaging and hyperspectral imaging was evaluated for discriminating maturity level of
apples under different storage conditions along with the shelf-life
(Garrido-Novell et al., 2012). Wang et al. (2012) reported a study of
the feasibility of using computer vision to conduct accurate color
rating of sweet cherry in outdoor orchard environments. Makky
and Soni (2013) developed an automatic grading machine for oil
palm fresh fruits bunch (FFB) based on machine-vision principles
of non-destructive analytical grading, as the first automatic grading
machine for FFBs in Indonesia which worked on-site. Mizushima
and Lu (2013) developed an automatic adjustable algorithm for
segmentation of color images, using linear support vector machine
(SVM) and Otsu’s thresholding method, for apple sorting and grading.
Based on the above mentioned considerations, the aim of
current work is to study physical and chemical properties of persimmon fruit to develop an automated persimmon grading system
using image analysis technique. Therefore, the investigation evaluates the index of external color of the fruits to classify them into
three commercially maturity stages
The persimmon (Diospyros kaki Thunb.) as a commercially
important crop is more widespread in Asian countries (Del Bubbaet al., 2009). In 2011, persimmon production has been reported over than 4.3 million ton throughout the world. China with production share of 74% (3.2 million ton) is the number one producer and Korea and Japan came second and third with 9% and 4.8%, respectively (FAOSTAT, 2012). The persimmon contains bioactive compounds such as ascorbic acid, condensed tannins and carotenoids, which have many beneficial effects due to their antioxidant properties (Plaza et al., 2011). Delicate nature of persimmon, sensitive texture,poor handling applications and inadequate storage facilities have
caused transportation techniques and ripening control to be very important for developing fast and new automatic systems (Luo,2007).Today, in various agricultural commodity grading systems, computer vision has become an alternative to visual inspection being objective, consistent, rapid, and economical (Donis-González et al.,2012). Color is the major attribute to assess quality of agricultural products more than any other single factor (Kang et al.,2008). Products color can be measured by visual, instrumental andmachine vision methods (Hosseinpour et al., 2012). Accordingly,color sorting and grading have been reported as one of the best
non-destructive methods, for products often have significant color
changes during ripening, such as apple (Garrido-Novell et al., 2012;Leemans et al., 2002, 1999), mango (Balaban et al., 2008), peach
(Lleó et al., 2011), tomato (Lana et al., 2006b), orange (Okamoto
and Lee, 2009), grape (Rodríguez-Pulido et al., 2012), and cherry
(Wang et al., 2012). Although firmness plays the most important
role in persimmon harvesting, appearance color is usually used as
a non-destructive index for harvesting (Salvador et al., 2007).
Optical sensors have been used for grading, sorting, and fruit
quality detection of different crops (Abdullah et al., 2002, 2006;Conklin et al., 2002; Furferiet al., 2010; Lanaet al., 2006a; Leemanset al., 1999; Pedreschi et al., 2006; Peng and Lu, 2006; Zhang et al.,2003). Blasco et al. (2008) developed a computer vision-based
machine for detecting and removing unwanted material and sorting the pomegranate arils by color. Liming and Yanchao (2009)
developed an automated strawberry grading system using image
processing technique and graded the strawberry adopting one or
two or three indices among shape, color and size. Okamoto and
Lee (2009) developed an image processing method to detect green
citrus fruit in individual trees to apply for crop yield estimation
at a much earlier stage of growth. Furferi et al. (2010) described a
method based on artificial neural network (ANN) for rapid, automatic and objective prediction of the Ripening Index of an olive
lot. A multispectral machine vision was presented for grading
apple fruits by minimal confusion with calyx areas on multispectral images, statistical, textural and geometric features that was extracted from the segmented area (Unay et al., 2011). A statistical
pattern recognition technique was developed to rate objectively
and consistently the quality of fresh sliced chestnuts using computer vision (Donis-González et al., 2012). In another work, oil
palm fresh fruit bunch maturity was determined using a fourband sensor by acquiring reflectance data, and pattern recognition
algorithms (Saeed et al., 2012). Saeed et al. (2012) used a multiband portable, active optical sensor system, comprising of four
spectral bands to detect oil palm fresh fruit bunch maturity. The
potential of RGB (red, green and blue) digital imaging and hyperspectral imaging was evaluated for discriminating maturity level of
apples under different storage conditions along with the shelf-life
(Garrido-Novell et al., 2012). Wang et al. (2012) reported a study of
the feasibility of using computer vision to conduct accurate color
rating of sweet cherry in outdoor orchard environments. Makky
and Soni (2013) developed an automatic grading machine for oil
palm fresh fruits bunch (FFB) based on machine-vision principles
of non-destructive analytical grading, as the first automatic grading
machine for FFBs in Indonesia which worked on-site. Mizushima
and Lu (2013) developed an automatic adjustable algorithm for
segmentation of color images, using linear support vector machine
(SVM) and Otsu’s thresholding method, for apple sorting and grading.
Based on the above mentioned considerations, the aim of
current work is to study physical and chemical properties of persimmon fruit to develop an automated persimmon grading system
using image analysis technique. Therefore, the investigation evaluates the index of external color of the fruits to classify them into
three commercially maturity stages
0/5000
1. IntroductionThe persimmon (Diospyros kaki Thunb.) as a commerciallyimportant crop is more widespread in Asian countries (Del Bubbaet al., 2009). In 2011, persimmon production has been reported over than 4.3 million ton throughout the world. China with production share of 74% (3.2 million ton) is the number one producer and Korea and Japan came second and third with 9% and 4.8%, respectively (FAOSTAT, 2012). The persimmon contains bioactive compounds such as ascorbic acid, condensed tannins and carotenoids, which have many beneficial effects due to their antioxidant properties (Plaza et al., 2011). Delicate nature of persimmon, sensitive texture,poor handling applications and inadequate storage facilities havecaused transportation techniques and ripening control to be very important for developing fast and new automatic systems (Luo,2007).Today, in various agricultural commodity grading systems, computer vision has become an alternative to visual inspection being objective, consistent, rapid, and economical (Donis-González et al.,2012). Color is the major attribute to assess quality of agricultural products more than any other single factor (Kang et al.,2008). Products color can be measured by visual, instrumental andmachine vision methods (Hosseinpour et al., 2012). Accordingly,color sorting and grading have been reported as one of the bestnon-destructive methods, for products often have significant colorchanges during ripening, such as apple (Garrido-Novell et al., 2012;Leemans et al., 2002, 1999), mango (Balaban et al., 2008), peach(Lleó et al., 2011), tomato (Lana et al., 2006b), orange (Okamotoand Lee, 2009), grape (Rodríguez-Pulido et al., 2012), and cherry(Wang et al., 2012). Although firmness plays the most importantrole in persimmon harvesting, appearance color is usually used asa non-destructive index for harvesting (Salvador et al., 2007).Optical sensors have been used for grading, sorting, and fruitquality detection of different crops (Abdullah et al., 2002, 2006;Conklin et al., 2002; Furferiet al., 2010; Lanaet al., 2006a; Leemanset al., 1999; Pedreschi et al., 2006; Peng and Lu, 2006; Zhang et al.,2003). Blasco et al. (2008) developed a computer vision-basedmachine for detecting and removing unwanted material and sorting the pomegranate arils by color. Liming and Yanchao (2009)developed an automated strawberry grading system using imageprocessing technique and graded the strawberry adopting one ortwo or three indices among shape, color and size. Okamoto andLee (2009) developed an image processing method to detect greencitrus fruit in individual trees to apply for crop yield estimationat a much earlier stage of growth. Furferi et al. (2010) described amethod based on artificial neural network (ANN) for rapid, automatic and objective prediction of the Ripening Index of an olivelot. A multispectral machine vision was presented for gradingapple fruits by minimal confusion with calyx areas on multispectral images, statistical, textural and geometric features that was extracted from the segmented area (Unay et al., 2011). A statisticalpattern recognition technique was developed to rate objectivelyand consistently the quality of fresh sliced chestnuts using computer vision (Donis-González et al., 2012). In another work, oilpalm fresh fruit bunch maturity was determined using a fourband sensor by acquiring reflectance data, and pattern recognitionalgorithms (Saeed et al., 2012). Saeed et al. (2012) used a multiband portable, active optical sensor system, comprising of fourspectral bands to detect oil palm fresh fruit bunch maturity. Thepotential of RGB (red, green and blue) digital imaging and hyperspectral imaging was evaluated for discriminating maturity level ofapples under different storage conditions along with the shelf-life(Garrido-Novell et al., 2012). Wang et al. (2012) reported a study ofthe feasibility of using computer vision to conduct accurate colorrating of sweet cherry in outdoor orchard environments. Makkyand Soni (2013) developed an automatic grading machine for oilpalm fresh fruits bunch (FFB) based on machine-vision principlesof non-destructive analytical grading, as the first automatic gradingmachine for FFBs in Indonesia which worked on-site. Mizushimaand Lu (2013) developed an automatic adjustable algorithm forsegmentation of color images, using linear support vector machine(SVM) and Otsu’s thresholding method, for apple sorting and grading.Based on the above mentioned considerations, the aim ofcurrent work is to study physical and chemical properties of persimmon fruit to develop an automated persimmon grading systemusing image analysis technique. Therefore, the investigation evaluates the index of external color of the fruits to classify them intothree commercially maturity stages
การแปล กรุณารอสักครู่..
1. บทนำ
พลับ (Diospyros kaki ใน Thunb.) ขณะที่ในเชิงพาณิชย์
พืชที่สำคัญเป็นที่แพร่หลายมากขึ้นในประเทศแถบเอเชีย (Del Bubbaet al., 2009) ในปี 2011 การผลิตลูกพลับได้รับรายงานกว่า 4,300,000 ตันทั่วโลก ประเทศจีนที่มีส่วนแบ่งการผลิต 74% (3,200,000 ตัน) เป็นหนึ่งในจำนวนผู้ผลิตและประเทศเกาหลีและญี่ปุ่นมาที่สองและสามกับ 9% และ 4.8% ตามลำดับ (FAOSTAT, 2012) ลูกพลับมีสารออกฤทธิ์ทางชีวภาพเช่นวิตามินซีแทนนินข้นและนอยด์ซึ่งมีผลประโยชน์จำนวนมากเนื่องจากคุณสมบัติต้านอนุมูลอิสระของพวกเขา (พลาซ่า et al., 2011) ธรรมชาติที่ละเอียดอ่อนของลูกพลับเนื้อไวต่อการใช้งานการจัดการที่ไม่ดีและสิ่งอำนวยความสะดวกการจัดเก็บไม่เพียงพอได้
ที่เกิดจากเทคนิคการขนส่งและการควบคุมสุกจะมีความสำคัญมากสำหรับการพัฒนาระบบอัตโนมัติได้อย่างรวดเร็วและใหม่ (Luo 2007) วันนี้ในระบบการให้คะแนนสินค้าเกษตรต่างๆคอมพิวเตอร์วิสัยทัศน์ ได้กลายเป็นทางเลือกในการตรวจสอบภาพเป็นวัตถุประสงค์ที่สอดคล้องรวดเร็วและประหยัด (Donis-González et al., 2012) สีเป็นคุณลักษณะที่สำคัญในการประเมินคุณภาพของสินค้าเกษตรมากกว่าปัจจัยอื่น ๆ เดียว (Kang et al., 2008) สีผลิตภัณฑ์ที่สามารถวัดได้โดยภาพเครื่องมือวิธีวิสัยทัศน์ andmachine (Hosseinpour et al., 2012) ดังนั้นการเรียงลำดับของสีและการจัดลำดับได้รับรายงานว่าเป็นหนึ่งในสิ่งที่ดีที่สุด
วิธีการไม่ทำลายสำหรับผลิตภัณฑ์ที่มักจะมีสีที่สำคัญ
การเปลี่ยนแปลงระหว่างการสุกเช่นแอปเปิ้ล (Garrido โนเวลล์และคณะ, 2012;. Leemans et al, 2002, 1999. ) มะม่วง (Balaban et al., 2008), ลูกพีช
(Lleó et al., 2011), มะเขือเทศ (Lana et al., 2006b) สีส้ม (Okamoto
และลี, 2009) องุ่น (Rodríguez-Pulido et al., 2012), และเชอร์รี่
(Wang et al., 2012) แม้ว่าความแน่นเล่นที่สำคัญที่สุด
บทบาทในการเก็บเกี่ยวลูกพลับสีลักษณะถูกนำมาใช้มักจะเป็น
ดัชนีที่ไม่ทำลายสำหรับการเก็บเกี่ยว (Salvador et al., 2007).
เซ็นเซอร์ออปติคอลได้รับการใช้สำหรับการจัดลำดับเรียงลำดับและผล
การตรวจสอบคุณภาพของพืชที่แตกต่างกัน (อับดุลลาห์และคณะ, 2002, 2006;. คองกลิ et al, 2002;.. Furferiet อั 2010;. Lanaet อัล, 2006a;. Leemanset อั 1999; Pedreschi et al, 2006;. Peng และ Lu, 2006 และจาง al., 2003) Blasco และคณะ (2008) การพัฒนาวิสัยทัศน์ที่ใช้คอมพิวเตอร์
เครื่องสำหรับการตรวจสอบและลบวัสดุที่ไม่พึงประสงค์และการเรียงลำดับ arils ทับทิมสี ปูนและ Yanchao (2009)
การพัฒนาระบบการจัดลำดับสตรอเบอร์รี่โดยอัตโนมัติโดยใช้ภาพ
เทคนิคการประมวลผลและการจัดลำดับการนำสตรอเบอร์รี่หนึ่งหรือ
สองหรือสามดัชนีหมู่รูปร่างสีและขนาด Okamoto และ
ลี (2009) การพัฒนาวิธีการประมวลผลภาพในการตรวจสอบสีเขียว
ผลไม้เช่นมะนาวในต้นไม้แต่ละบุคคลที่จะใช้สำหรับการประมาณผลผลิต
ในขั้นตอนก่อนหน้านี้มากของการเจริญเติบโต Furferi และคณะ (2010) อธิบาย
วิธีการขึ้นอยู่กับเครือข่ายประสาทเทียม (ANN) สำหรับอย่างรวดเร็วทำนายอัตโนมัติและวัตถุประสงค์ของการสุกดัชนีมะกอก
มาก มองเห็นเครื่อง multispectral ถูกนำเสนอสำหรับการจัดลำดับ
ผลไม้แอปเปิ้ลด้วยความสับสนน้อยที่สุดมีพื้นที่กลีบเลี้ยงบนภาพ multispectral สถิติคุณลักษณะเนื้อสัมผัสและรูปทรงเรขาคณิตที่ถูกดึงออกมาจากพื้นที่ที่แบ่งกลุ่ม (Unay et al., 2011) สถิติ
รูปแบบเทคนิคที่ได้รับการยอมรับได้รับการพัฒนาให้คะแนนอคติ
และสม่ำเสมอคุณภาพของเม็ดเกาลัดหั่นสดโดยใช้คอมพิวเตอร์วิสัยทัศน์ (Donis-González et al., 2012) ในการทำงานอีกน้ำมัน
ปาล์มครบกําหนดพวงผลไม้สดที่ถูกกำหนดโดยใช้เซ็นเซอร์ fourband โดยการรับข้อมูลการสะท้อนและการจดจำรูปแบบ
ขั้นตอนวิธี (อีด et al., 2012) อีดและคณะ (2012) ที่ใช้ Multiband แบบพกพาระบบเซ็นเซอร์แสงที่ใช้งานประกอบไปด้วยสี่
วงสเปกตรัมในการตรวจสอบน้ำมันปาล์มครบกําหนดพวงผลไม้สด
ศักยภาพของ RGB (สีแดง, สีเขียวและสีน้ำเงิน) การถ่ายภาพดิจิตอลและการถ่ายภาพ hyperspectral รับผลการประเมินแบ่งแยกระดับอายุของ
แอปเปิ้ลภายใต้สภาพการเก็บรักษาที่แตกต่างกันพร้อมกับอายุการเก็บรักษา
(Garrido โนเวลล์ et al., 2012) วังและคณะ (2012) รายงานการศึกษา
ความเป็นไปได้ของการใช้คอมพิวเตอร์วิสัยทัศน์ในการดำเนินการสีที่ถูกต้อง
การจัดอันดับของเชอร์รี่หวานในสภาพแวดล้อมที่สวนกลางแจ้ง Makky
และโซนิ (2013) การพัฒนาเครื่องคัดเกรดอัตโนมัติสำหรับน้ำมัน
ปาล์มพวงผลไม้สด (FFB) บนพื้นฐานของหลักการเครื่องวิสัยทัศน์
ของการจัดลำดับการวิเคราะห์แบบไม่ทำลายเช่นการจัดลำดับแรกโดยอัตโนมัติ
สำหรับเครื่อง FFBs ในอินโดนีเซียที่ทำงานในสถานที่เดียวกัน Mizushima
และ Lu (2013) การพัฒนาอัลกอริทึมปรับอัตโนมัติสำหรับ
การแบ่งส่วนของภาพสีโดยใช้เครื่องเวกเตอร์สนับสนุนเชิงเส้น
(SVM) และวิธีการ thresholding โอตสึ, สำหรับการจัดเรียงแอปเปิ้ลและการจัดลำดับ.
อยู่บนพื้นฐานของการพิจารณาดังกล่าวข้างต้น, จุดมุ่งหมายของการ
ทำงานในปัจจุบันคือการ ศึกษาคุณสมบัติทางกายภาพและเคมีของผลไม้ลูกพลับที่จะพัฒนาระบบการให้คะแนนลูกพลับอัตโนมัติ
โดยใช้เทคนิคการวิเคราะห์ภาพ ดังนั้นการตรวจสอบประเมินดัชนีของสีภายนอกของผลไม้ที่จะจัดให้เป็น
สามขั้นตอนครบกําหนดในเชิงพาณิชย์
พลับ (Diospyros kaki ใน Thunb.) ขณะที่ในเชิงพาณิชย์
พืชที่สำคัญเป็นที่แพร่หลายมากขึ้นในประเทศแถบเอเชีย (Del Bubbaet al., 2009) ในปี 2011 การผลิตลูกพลับได้รับรายงานกว่า 4,300,000 ตันทั่วโลก ประเทศจีนที่มีส่วนแบ่งการผลิต 74% (3,200,000 ตัน) เป็นหนึ่งในจำนวนผู้ผลิตและประเทศเกาหลีและญี่ปุ่นมาที่สองและสามกับ 9% และ 4.8% ตามลำดับ (FAOSTAT, 2012) ลูกพลับมีสารออกฤทธิ์ทางชีวภาพเช่นวิตามินซีแทนนินข้นและนอยด์ซึ่งมีผลประโยชน์จำนวนมากเนื่องจากคุณสมบัติต้านอนุมูลอิสระของพวกเขา (พลาซ่า et al., 2011) ธรรมชาติที่ละเอียดอ่อนของลูกพลับเนื้อไวต่อการใช้งานการจัดการที่ไม่ดีและสิ่งอำนวยความสะดวกการจัดเก็บไม่เพียงพอได้
ที่เกิดจากเทคนิคการขนส่งและการควบคุมสุกจะมีความสำคัญมากสำหรับการพัฒนาระบบอัตโนมัติได้อย่างรวดเร็วและใหม่ (Luo 2007) วันนี้ในระบบการให้คะแนนสินค้าเกษตรต่างๆคอมพิวเตอร์วิสัยทัศน์ ได้กลายเป็นทางเลือกในการตรวจสอบภาพเป็นวัตถุประสงค์ที่สอดคล้องรวดเร็วและประหยัด (Donis-González et al., 2012) สีเป็นคุณลักษณะที่สำคัญในการประเมินคุณภาพของสินค้าเกษตรมากกว่าปัจจัยอื่น ๆ เดียว (Kang et al., 2008) สีผลิตภัณฑ์ที่สามารถวัดได้โดยภาพเครื่องมือวิธีวิสัยทัศน์ andmachine (Hosseinpour et al., 2012) ดังนั้นการเรียงลำดับของสีและการจัดลำดับได้รับรายงานว่าเป็นหนึ่งในสิ่งที่ดีที่สุด
วิธีการไม่ทำลายสำหรับผลิตภัณฑ์ที่มักจะมีสีที่สำคัญ
การเปลี่ยนแปลงระหว่างการสุกเช่นแอปเปิ้ล (Garrido โนเวลล์และคณะ, 2012;. Leemans et al, 2002, 1999. ) มะม่วง (Balaban et al., 2008), ลูกพีช
(Lleó et al., 2011), มะเขือเทศ (Lana et al., 2006b) สีส้ม (Okamoto
และลี, 2009) องุ่น (Rodríguez-Pulido et al., 2012), และเชอร์รี่
(Wang et al., 2012) แม้ว่าความแน่นเล่นที่สำคัญที่สุด
บทบาทในการเก็บเกี่ยวลูกพลับสีลักษณะถูกนำมาใช้มักจะเป็น
ดัชนีที่ไม่ทำลายสำหรับการเก็บเกี่ยว (Salvador et al., 2007).
เซ็นเซอร์ออปติคอลได้รับการใช้สำหรับการจัดลำดับเรียงลำดับและผล
การตรวจสอบคุณภาพของพืชที่แตกต่างกัน (อับดุลลาห์และคณะ, 2002, 2006;. คองกลิ et al, 2002;.. Furferiet อั 2010;. Lanaet อัล, 2006a;. Leemanset อั 1999; Pedreschi et al, 2006;. Peng และ Lu, 2006 และจาง al., 2003) Blasco และคณะ (2008) การพัฒนาวิสัยทัศน์ที่ใช้คอมพิวเตอร์
เครื่องสำหรับการตรวจสอบและลบวัสดุที่ไม่พึงประสงค์และการเรียงลำดับ arils ทับทิมสี ปูนและ Yanchao (2009)
การพัฒนาระบบการจัดลำดับสตรอเบอร์รี่โดยอัตโนมัติโดยใช้ภาพ
เทคนิคการประมวลผลและการจัดลำดับการนำสตรอเบอร์รี่หนึ่งหรือ
สองหรือสามดัชนีหมู่รูปร่างสีและขนาด Okamoto และ
ลี (2009) การพัฒนาวิธีการประมวลผลภาพในการตรวจสอบสีเขียว
ผลไม้เช่นมะนาวในต้นไม้แต่ละบุคคลที่จะใช้สำหรับการประมาณผลผลิต
ในขั้นตอนก่อนหน้านี้มากของการเจริญเติบโต Furferi และคณะ (2010) อธิบาย
วิธีการขึ้นอยู่กับเครือข่ายประสาทเทียม (ANN) สำหรับอย่างรวดเร็วทำนายอัตโนมัติและวัตถุประสงค์ของการสุกดัชนีมะกอก
มาก มองเห็นเครื่อง multispectral ถูกนำเสนอสำหรับการจัดลำดับ
ผลไม้แอปเปิ้ลด้วยความสับสนน้อยที่สุดมีพื้นที่กลีบเลี้ยงบนภาพ multispectral สถิติคุณลักษณะเนื้อสัมผัสและรูปทรงเรขาคณิตที่ถูกดึงออกมาจากพื้นที่ที่แบ่งกลุ่ม (Unay et al., 2011) สถิติ
รูปแบบเทคนิคที่ได้รับการยอมรับได้รับการพัฒนาให้คะแนนอคติ
และสม่ำเสมอคุณภาพของเม็ดเกาลัดหั่นสดโดยใช้คอมพิวเตอร์วิสัยทัศน์ (Donis-González et al., 2012) ในการทำงานอีกน้ำมัน
ปาล์มครบกําหนดพวงผลไม้สดที่ถูกกำหนดโดยใช้เซ็นเซอร์ fourband โดยการรับข้อมูลการสะท้อนและการจดจำรูปแบบ
ขั้นตอนวิธี (อีด et al., 2012) อีดและคณะ (2012) ที่ใช้ Multiband แบบพกพาระบบเซ็นเซอร์แสงที่ใช้งานประกอบไปด้วยสี่
วงสเปกตรัมในการตรวจสอบน้ำมันปาล์มครบกําหนดพวงผลไม้สด
ศักยภาพของ RGB (สีแดง, สีเขียวและสีน้ำเงิน) การถ่ายภาพดิจิตอลและการถ่ายภาพ hyperspectral รับผลการประเมินแบ่งแยกระดับอายุของ
แอปเปิ้ลภายใต้สภาพการเก็บรักษาที่แตกต่างกันพร้อมกับอายุการเก็บรักษา
(Garrido โนเวลล์ et al., 2012) วังและคณะ (2012) รายงานการศึกษา
ความเป็นไปได้ของการใช้คอมพิวเตอร์วิสัยทัศน์ในการดำเนินการสีที่ถูกต้อง
การจัดอันดับของเชอร์รี่หวานในสภาพแวดล้อมที่สวนกลางแจ้ง Makky
และโซนิ (2013) การพัฒนาเครื่องคัดเกรดอัตโนมัติสำหรับน้ำมัน
ปาล์มพวงผลไม้สด (FFB) บนพื้นฐานของหลักการเครื่องวิสัยทัศน์
ของการจัดลำดับการวิเคราะห์แบบไม่ทำลายเช่นการจัดลำดับแรกโดยอัตโนมัติ
สำหรับเครื่อง FFBs ในอินโดนีเซียที่ทำงานในสถานที่เดียวกัน Mizushima
และ Lu (2013) การพัฒนาอัลกอริทึมปรับอัตโนมัติสำหรับ
การแบ่งส่วนของภาพสีโดยใช้เครื่องเวกเตอร์สนับสนุนเชิงเส้น
(SVM) และวิธีการ thresholding โอตสึ, สำหรับการจัดเรียงแอปเปิ้ลและการจัดลำดับ.
อยู่บนพื้นฐานของการพิจารณาดังกล่าวข้างต้น, จุดมุ่งหมายของการ
ทำงานในปัจจุบันคือการ ศึกษาคุณสมบัติทางกายภาพและเคมีของผลไม้ลูกพลับที่จะพัฒนาระบบการให้คะแนนลูกพลับอัตโนมัติ
โดยใช้เทคนิคการวิเคราะห์ภาพ ดังนั้นการตรวจสอบประเมินดัชนีของสีภายนอกของผลไม้ที่จะจัดให้เป็น
สามขั้นตอนครบกําหนดในเชิงพาณิชย์
การแปล กรุณารอสักครู่..
1 . บทนำ
ลูกพลับ ( diospyros สีกากี Thunb . ) เป็นพืชที่สำคัญในเชิงพาณิชย์
ฉาวในประเทศเอเชีย ( เดล bubbaet al . , 2009 ) ใน 2011 , การผลิตพลับได้รับรายงานกว่า 4.3 ล้านตันทั่วโลก ประเทศจีนที่มีส่วนแบ่งการผลิต 74% ( 3.2 ล้านตัน เป็นเบอร์หนึ่งในผู้ผลิตและเกาหลีและญี่ปุ่นมา 2 และ 3 กับ 9 และร้อยละ 4.8 %ตามลำดับ ( faostat , 2012 ) ลูกพลับ ประกอบด้วยสารออกฤทธิ์ทางชีวภาพเช่นวิตามินซีแทนนินย่อและแคโรทีนอยด์ ซึ่งมีลักษณะพิเศษที่เป็นประโยชน์ มากมาย เนื่องจากคุณสมบัติของสารต้านอนุมูลอิสระ ( พลาซ่า et al . , 2011 ) ธรรมชาติที่ละเอียดอ่อนของลูกพลับ ที่สําคัญเนื้อไม่ดี การจัดการการใช้งานและเครื่องไม่เพียงพอกระเป๋ามี
ทำให้เทคนิคการขนส่งและสุกการควบคุมเป็นสำคัญมากสำหรับการพัฒนาอย่างรวดเร็วและอัตโนมัติระบบใหม่ ( Luo , 2007 ) ในวันนี้ สินค้าเกษตรต่าง ๆ ให้ระบบคอมพิวเตอร์วิสัยทัศน์ได้กลายเป็นทางเลือกเพื่อการตรวจสอบมีวัตถุประสงค์ที่สอดคล้องกัน รวดเร็ว และประหยัด ( บี โอ โดนิส gonz . kgm lez et al . , 2012 )สีเป็นคุณลักษณะที่สำคัญในการประเมินคุณภาพของผลิตภัณฑ์ทางการเกษตรมากกว่าปัจจัยเดียวใด ๆอื่น ๆ ( คัง et al . , 2008 ) ผลิตภัณฑ์ สีที่สามารถวัดได้โดยภาพวิสัยทัศน์ andmachine วิธีการบรรเลง ( hosseinpour et al . , 2012 ) ตามสีและคัดแยกเกรด ถูกรายงานว่าเป็นหนึ่งในวิธีที่ดีที่สุดสำหรับผลิตภัณฑ์ที่ไม่ทำลาย
ที่สำคัญมักจะมีสีการเปลี่ยนแปลงในระหว่างการสุก เช่น แอปเปิ้ล ( Garrido Novell et al . , 2012 ; leemans et al . , 2002 , 2542 ) , มะม่วง ( บาลาบั้น et al . , 2008 ) , พีช
( ที่ไหนó et al . , 2011 ) , มะเขือเทศ ( ลาน่า et al . , 2006b ) , ส้ม ( โอคาโมโตะ
และลี 2009 ) , องุ่น ( ลุยส์โรดรีเกซ มาร์ติน pulido et al . , 2012 ) และเชอร์รี่
( Wang et al . , 2012 ) แม้ว่าความแน่วแน่เล่นบทบาทสำคัญมากในการเก็บเกี่ยว
พลับ สี ที่ปรากฏมักใช้เป็น
ดัชนีแบบไม่ทำลายสำหรับการเก็บเกี่ยว ( Salvador et al . , 2007 ) .
เซ็นเซอร์แสงได้ถูกใช้สำหรับการแยกและการตรวจสอบคุณภาพผลไม้
ของพืชที่แตกต่างกัน ( อับดุล et al . , 2002 , 2006 ; คอนกลิน et al . , 2002 ; furferiet al . , 2010 ; lanaet al . , 2006a ; leemanset ล . , 1999 ; pedreschi et al . , 2006 ; เผิงและลู , 2006 ; Zhang et al . , 2003 ) กระตือรือร้นมากที่สุด et al . ( 2008 ) ได้พัฒนาคอมพิวเตอร์วิสัยทัศน์ตาม
เครื่องตรวจจับและลบที่ไม่พึงประสงค์วัสดุและการ arils ทับทิมสี ๆ yanchao ( 2009 )
พัฒนาระบบให้คะแนนแบบอัตโนมัติโดยใช้เทคนิคการประมวลผลภาพสตรอเบอร์รี่และสตรอเบอร์รี่
( ใช้อย่างใดอย่างหนึ่งหรือ
2 หรือ 3 ดัชนีของรูปร่างสีและขนาด โอคาโมโตะและ
ลี ( 2552 ) พัฒนาวิธีการประมวลผลภาพเพื่อตรวจหาสีเขียว
ผลไม้ในต้นไม้แต่ละต้นใช้ผลผลิตประมาณ
ในขั้นตอนก่อนหน้านี้มากของการเจริญเติบโต furferi et al . ( 2010 ) อธิบาย
วิธีโดยใช้โครงข่ายประสาทเทียม ( ANN ) สำหรับอย่างรวดเร็ว อัตโนมัติ และมีการพยากรณ์ดัชนีของมะกอกสุกมาก
เครื่องที่ 3 วิสัยทัศน์ถูกเสนอสำหรับเกรด
แอปเปิ้ลผลไม้โดยน้อยที่สุดสับสนกับพื้นที่บนกลีบเลี้ยง 3 ภาพ , สถิติ , เนื้อเรขาคณิตและคุณสมบัติที่สกัดจากพื้นที่แบ่งส่วน ( unay et al . , 2011 ) โดย
ลวดลายเทคนิคถูกพัฒนาให้คะแนนอย่างยุติธรรม
อย่างต่อเนื่องคุณภาพสดหั่นแห้วใช้วิสัยทัศน์คอมพิวเตอร์ ( บี โอ โดนิส gonz . kgm lez et al . , 2012 ) ในงานอื่น น้ำมัน
ปาล์ม ผลไม้สดพวกวุฒิภาวะก็ตัดสินใจใช้ fourband เซนเซอร์โดยการรับข้อมูลสะท้อนกลับ และขั้นตอนวิธีการรับรู้
รูปแบบ ( Saeed et al . , 2012 ) Saeed et al . ( 2012 ) ใช้ multiband พกพา ระบบเซ็นเซอร์แสงที่ใช้งาน ประกอบด้วย การตรวจหาอายุ 4
วงพวงผลไม้สด ปาล์ม น้ำมัน
ศักยภาพของ RGB ( แดงสีเขียวและสีฟ้า ) ภาพดิจิตอลและภาพ hyperspectral ได้ทำการจำแนกระดับของวุฒิภาวะ
แอปเปิ้ลภายใต้เงื่อนไขการจัดเก็บข้อมูลที่แตกต่างกันพร้อมกับการเก็บ
( Garrido Novell et al . , 2012 ) Wang et al . ( 2012 ) รายงานการศึกษาความเป็นไปได้ในการใช้คอมพิวเตอร์วิสัยทัศน์
ที่ถูกต้องของการจัดอันดับสีเชอร์รี่หวานในสภาพแวดล้อมที่สวนกลางแจ้ง มักกี้
และ โซนี่ ( 2013 ) ที่พัฒนาโดยอัตโนมัติให้เครื่องปาล์ม ผลไม้สดพวง
น้ำมัน ( เอฟเอฟบี ) บนพื้นฐานของหลักการของการไม่ทำลายวิเคราะห์วิสัยทัศน์เครื่อง
เป็นครั้งแรกโดยอัตโนมัติให้เครื่อง ffbs ในอินโดนีเซีย ซึ่งเคยทำงานในโรงแรม มิซึชิมะ
และลู ( 2013 ) พัฒนาขั้นตอนวิธีการปรับอัตโนมัติสำหรับการแบ่งส่วนของภาพสี
สนับสนุนเครื่องเวกเตอร์เชิงเส้นโดยใช้( SVM ) และโอทสุ ปรับวิธี สำหรับการเรียงลำดับและคะแนน
ตามดังกล่าวข้างต้นพิจารณาจุดมุ่งหมายของ
งานปัจจุบันเพื่อศึกษาคุณสมบัติทางกายภาพและเคมีของผลพลับ เพื่อพัฒนาระบบคัดแยกอัตโนมัติพลับ
โดยใช้เทคนิคการวิเคราะห์ภาพ ดังนั้น การตรวจสอบประเมินดัชนีสีภายนอกของผลไม้แบ่งพวกเขาลงใน
สามขั้นตอนในเชิงพาณิชย์วุฒิภาวะ
ลูกพลับ ( diospyros สีกากี Thunb . ) เป็นพืชที่สำคัญในเชิงพาณิชย์
ฉาวในประเทศเอเชีย ( เดล bubbaet al . , 2009 ) ใน 2011 , การผลิตพลับได้รับรายงานกว่า 4.3 ล้านตันทั่วโลก ประเทศจีนที่มีส่วนแบ่งการผลิต 74% ( 3.2 ล้านตัน เป็นเบอร์หนึ่งในผู้ผลิตและเกาหลีและญี่ปุ่นมา 2 และ 3 กับ 9 และร้อยละ 4.8 %ตามลำดับ ( faostat , 2012 ) ลูกพลับ ประกอบด้วยสารออกฤทธิ์ทางชีวภาพเช่นวิตามินซีแทนนินย่อและแคโรทีนอยด์ ซึ่งมีลักษณะพิเศษที่เป็นประโยชน์ มากมาย เนื่องจากคุณสมบัติของสารต้านอนุมูลอิสระ ( พลาซ่า et al . , 2011 ) ธรรมชาติที่ละเอียดอ่อนของลูกพลับ ที่สําคัญเนื้อไม่ดี การจัดการการใช้งานและเครื่องไม่เพียงพอกระเป๋ามี
ทำให้เทคนิคการขนส่งและสุกการควบคุมเป็นสำคัญมากสำหรับการพัฒนาอย่างรวดเร็วและอัตโนมัติระบบใหม่ ( Luo , 2007 ) ในวันนี้ สินค้าเกษตรต่าง ๆ ให้ระบบคอมพิวเตอร์วิสัยทัศน์ได้กลายเป็นทางเลือกเพื่อการตรวจสอบมีวัตถุประสงค์ที่สอดคล้องกัน รวดเร็ว และประหยัด ( บี โอ โดนิส gonz . kgm lez et al . , 2012 )สีเป็นคุณลักษณะที่สำคัญในการประเมินคุณภาพของผลิตภัณฑ์ทางการเกษตรมากกว่าปัจจัยเดียวใด ๆอื่น ๆ ( คัง et al . , 2008 ) ผลิตภัณฑ์ สีที่สามารถวัดได้โดยภาพวิสัยทัศน์ andmachine วิธีการบรรเลง ( hosseinpour et al . , 2012 ) ตามสีและคัดแยกเกรด ถูกรายงานว่าเป็นหนึ่งในวิธีที่ดีที่สุดสำหรับผลิตภัณฑ์ที่ไม่ทำลาย
ที่สำคัญมักจะมีสีการเปลี่ยนแปลงในระหว่างการสุก เช่น แอปเปิ้ล ( Garrido Novell et al . , 2012 ; leemans et al . , 2002 , 2542 ) , มะม่วง ( บาลาบั้น et al . , 2008 ) , พีช
( ที่ไหนó et al . , 2011 ) , มะเขือเทศ ( ลาน่า et al . , 2006b ) , ส้ม ( โอคาโมโตะ
และลี 2009 ) , องุ่น ( ลุยส์โรดรีเกซ มาร์ติน pulido et al . , 2012 ) และเชอร์รี่
( Wang et al . , 2012 ) แม้ว่าความแน่วแน่เล่นบทบาทสำคัญมากในการเก็บเกี่ยว
พลับ สี ที่ปรากฏมักใช้เป็น
ดัชนีแบบไม่ทำลายสำหรับการเก็บเกี่ยว ( Salvador et al . , 2007 ) .
เซ็นเซอร์แสงได้ถูกใช้สำหรับการแยกและการตรวจสอบคุณภาพผลไม้
ของพืชที่แตกต่างกัน ( อับดุล et al . , 2002 , 2006 ; คอนกลิน et al . , 2002 ; furferiet al . , 2010 ; lanaet al . , 2006a ; leemanset ล . , 1999 ; pedreschi et al . , 2006 ; เผิงและลู , 2006 ; Zhang et al . , 2003 ) กระตือรือร้นมากที่สุด et al . ( 2008 ) ได้พัฒนาคอมพิวเตอร์วิสัยทัศน์ตาม
เครื่องตรวจจับและลบที่ไม่พึงประสงค์วัสดุและการ arils ทับทิมสี ๆ yanchao ( 2009 )
พัฒนาระบบให้คะแนนแบบอัตโนมัติโดยใช้เทคนิคการประมวลผลภาพสตรอเบอร์รี่และสตรอเบอร์รี่
( ใช้อย่างใดอย่างหนึ่งหรือ
2 หรือ 3 ดัชนีของรูปร่างสีและขนาด โอคาโมโตะและ
ลี ( 2552 ) พัฒนาวิธีการประมวลผลภาพเพื่อตรวจหาสีเขียว
ผลไม้ในต้นไม้แต่ละต้นใช้ผลผลิตประมาณ
ในขั้นตอนก่อนหน้านี้มากของการเจริญเติบโต furferi et al . ( 2010 ) อธิบาย
วิธีโดยใช้โครงข่ายประสาทเทียม ( ANN ) สำหรับอย่างรวดเร็ว อัตโนมัติ และมีการพยากรณ์ดัชนีของมะกอกสุกมาก
เครื่องที่ 3 วิสัยทัศน์ถูกเสนอสำหรับเกรด
แอปเปิ้ลผลไม้โดยน้อยที่สุดสับสนกับพื้นที่บนกลีบเลี้ยง 3 ภาพ , สถิติ , เนื้อเรขาคณิตและคุณสมบัติที่สกัดจากพื้นที่แบ่งส่วน ( unay et al . , 2011 ) โดย
ลวดลายเทคนิคถูกพัฒนาให้คะแนนอย่างยุติธรรม
อย่างต่อเนื่องคุณภาพสดหั่นแห้วใช้วิสัยทัศน์คอมพิวเตอร์ ( บี โอ โดนิส gonz . kgm lez et al . , 2012 ) ในงานอื่น น้ำมัน
ปาล์ม ผลไม้สดพวกวุฒิภาวะก็ตัดสินใจใช้ fourband เซนเซอร์โดยการรับข้อมูลสะท้อนกลับ และขั้นตอนวิธีการรับรู้
รูปแบบ ( Saeed et al . , 2012 ) Saeed et al . ( 2012 ) ใช้ multiband พกพา ระบบเซ็นเซอร์แสงที่ใช้งาน ประกอบด้วย การตรวจหาอายุ 4
วงพวงผลไม้สด ปาล์ม น้ำมัน
ศักยภาพของ RGB ( แดงสีเขียวและสีฟ้า ) ภาพดิจิตอลและภาพ hyperspectral ได้ทำการจำแนกระดับของวุฒิภาวะ
แอปเปิ้ลภายใต้เงื่อนไขการจัดเก็บข้อมูลที่แตกต่างกันพร้อมกับการเก็บ
( Garrido Novell et al . , 2012 ) Wang et al . ( 2012 ) รายงานการศึกษาความเป็นไปได้ในการใช้คอมพิวเตอร์วิสัยทัศน์
ที่ถูกต้องของการจัดอันดับสีเชอร์รี่หวานในสภาพแวดล้อมที่สวนกลางแจ้ง มักกี้
และ โซนี่ ( 2013 ) ที่พัฒนาโดยอัตโนมัติให้เครื่องปาล์ม ผลไม้สดพวง
น้ำมัน ( เอฟเอฟบี ) บนพื้นฐานของหลักการของการไม่ทำลายวิเคราะห์วิสัยทัศน์เครื่อง
เป็นครั้งแรกโดยอัตโนมัติให้เครื่อง ffbs ในอินโดนีเซีย ซึ่งเคยทำงานในโรงแรม มิซึชิมะ
และลู ( 2013 ) พัฒนาขั้นตอนวิธีการปรับอัตโนมัติสำหรับการแบ่งส่วนของภาพสี
สนับสนุนเครื่องเวกเตอร์เชิงเส้นโดยใช้( SVM ) และโอทสุ ปรับวิธี สำหรับการเรียงลำดับและคะแนน
ตามดังกล่าวข้างต้นพิจารณาจุดมุ่งหมายของ
งานปัจจุบันเพื่อศึกษาคุณสมบัติทางกายภาพและเคมีของผลพลับ เพื่อพัฒนาระบบคัดแยกอัตโนมัติพลับ
โดยใช้เทคนิคการวิเคราะห์ภาพ ดังนั้น การตรวจสอบประเมินดัชนีสีภายนอกของผลไม้แบ่งพวกเขาลงใน
สามขั้นตอนในเชิงพาณิชย์วุฒิภาวะ
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- ourselves to one another
- Moreover, theywerewidely employedwith su
- คุณสบายดีไหม
- 2.3 Proximate AnalysesAnalysis of moistu
- ชื่อจริงธนกฤต
- And you? What about your hope you it lik
- These contribute me to get whole perspec
- ชื่อจริงปรีชา
- inaugurated.
- ตอนนี้ฉันง่วงมาก ฉันขอตัวไปนอน
- Fungicides
- นั่งรถไฟไปBordeaux
- we irrevocably bind
- Environmental
- แล้วยังไงล่ะ ในเมื่อฉันก็แค่คาดหวังSo wh
- เดือนหน้าฉันก็จะไปหาพี่สาวฉันที่ภูเก็ตเห
- Ska för att arbete
- Pew : Hello Par. What's are you doing?Pa
- U take out ur clothea and send me pitche
- เพราะคุณหายไปจากการเขียนถึงฉันบ่อย
- รางค์
- 自动日行灯总成(单只)手动日行灯总成(单只)手动日行灯+氙气+安定(单只)自动日
- What you doing? It is Kaye in Thailand
- 2.3 Proximate AnalysesAnalysis of moistu
