پایان نامه تشخیص احساسات در چهره انسان

چکیده 

 پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.

1مقدمه ای بر ماشین بینایی

از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین ان‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیک‌های مورد استفاده در ان‌ها تغییر می‌کند. دراین مقاله سعی داریم به شما نشان دهیم که سیستم‌های بینایی ماشین چگونه کار می‌کنند و مروری کوتاه بر اهداف، تکنیک‌ها و تکنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت ان‌ها که مطابق با سیستم بینایی انسان است، اشنا شویم.

1-1-1 بینایی ماشین(MV)

بینایی ماشین، روند بکارگیری طیف وسیعی از فن اوری ها و روش هایی را در فراهم کردن بازرسی خودکار را بر پایه تصویر برداری، کنترل فرایند و هدایت ربات در کاربردهای صنعتی را شامل می شود. در حالیکه دامنه MVگسترده است و در نظر گرفتن یک تعریف جامع برای ان مشگل است، ما در اینجا یک تعریف کلی و عمومی که در باب بینایی ماشین پذیرفته شده است را بیان می کنیم: بینایی ماشین شامل تجزیه و تحلیل تصاویر در استخراج داده ها برای کنترل یک فرایند یا فعالیت.

1-1-2 کاربردهای بینایی ماشین

استفاده های اولیه برای بینایی ماشین، بازرسی اتوماتیک و هدایت ربات است. برنامه های کاربردی MVمتداول شامل: تضمین کیفیت، دسته بندی، هدایت ربات، بررسی های عمده و کلی و مقیاس نوری می باشد.

1-1-3 متدها

روش بینایی ماشین با دو فرایند، تعریف و ایجاد یک راه حل MVحاصل شده است. و به عنوان فرایندی فنی در طول عملیات تعریف و ایجاد راه حل رخ می دهد. در سال 2006، استاندارد کمی در واسط و تنظیمات مورد استفاده در MVوجود داشت که شامل: واسط های کاربری و واسط هایی برای یکپارچه سازی سیستم های چند جزئی و تبادل خودکار اطلاعات می باشد. بااین حال اولین قدم در MV، سلسله متوالی از عملیات برای دستیابی به یک تصویر است که به طور معمول با استفاده از دوربین، لنز و نور بوده است، که برای فراهم کردن تمایز مورد نیاز در پردازش های بعدی طراحی شده است.

تعداد صفحات 128 word

فهرست مطالب

فصل اول

مقدمه............................................................................................ 1

1-1مقدمه ای بر ماشین بینایی...................................................................... 2

1-1-1 بینایی ماشین(MV)

1-1-2 کاربردهای بینایی ماشین................................................................... 2

1-1-3 متدها.................................................................................... 2

1-1-4 پردازش تصویر........................................................................... 3

1-1-4-1 استخراج ویژگی........................................................................ 3

1-1-4-2 روش های قسمت بندی تصویر......................................................... 5

1-1-4-3 دسته بندی............................................................................. 6

1-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 6

1-1-6 مراحل بینایی ماشین....................................................................... 8

1-1-7 روش های فشرده‌سازی تصاویر............................................................ 9

1-1-8 تصاویر رقومی(دیجیتالی)................................................................ 11

1-1-9 مقادیر پیکسلها........................................................................... 11

1-1-10 دقت تصویر........................................................................... 11

1-2 تاریخچه پردازش تصویر.................................................................... 12

1-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14

فصل دوم

تحلیل.......................................................................................... 23

2-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 24

2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 24

2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 26

2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 26

2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 28

2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 30

2-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 31

2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 34

2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 36

2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 38

2-2معرفی سیستم های مشابه.............................................................................. 39

2-2-1 الگوهای باینری محلی .................................................................... 39

2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..

2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).

2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).

2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)

2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)

2-3تحلیل.............................................................................................. 42

2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)

2-3-1-1 دسته بندی بافته(Texture Classification).

2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)

2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..

2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55

2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59

2-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 60

2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................

2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 63

2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 63

2-3-4 سطح الگوی باینری محلی (VLBP)

2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).

2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP).............. 

2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)

2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84

فصل سوم

دسته بندی........................................................................................ 89

3-1 چکیده.................................................................................. 90

3-2 مقدمه.................................................................................... 90

3-3 مقدمه ای در دسته بندی......................................................................... 91

3-4-1 SVM....................................................................................... 

3-4-2 SVM غیر خطی.................................................................................... 103

3-4-3 Svm خطی.......................................................................... 104

3-4-3-1 فرم اولیه......................................................................................... 106

3-5- 4 SVM Multiclass................................................................ 

3-6 استفاده از دانش قبلی در SVM.................................................................. 

3-7 Soft Margin(حاشیه نرم)............................................................................ 110

3-8 خصوصیات SVM....................................................................................... 

3-9 رگرسیون(Regression)........................................................................... 

فصل چهارم

نتایج ومقایسه.......................................................................................... 113

1-4 نتایجی برای VLBP.......................................................................... 

4-2 نتایجی برای LBP-TOP............................................................................... 

4-4 نتیجه گیری............................................................................................... 118

پیوست ها................................................................................................. 120

پیوست الف................................................................................................................................... 121

چکیده انگلیسی.............................................................................................. 122

فهرست اشکال و نمودارها

شکل 1: 5 حالت مختلف از یک تصویر. 29

شکل 2: نرمال سازی تصویر frontal29

شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31

شکل 4: عملگر LBPاصلی و اولیه. 34

شکل 5: تقسیم تصویر به یک بلوک 7*6. 36

شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43

شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44

شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48

شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49

شکل 11: مجموعه همسایگی های متقارن. 50

شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50

شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51

شکل 14: 36 دوران ثابت منحصر به فرد. 54

شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55

شکل 16: مثالی از دوران زاویه ای.. 56

شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56

شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58

شکل 19: توزیع اتصالات.. 60

شکل 20: تصویر شماتیکی از یک مدل یادگیری.65

شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79

شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80

شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82

شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83

شکل 27: جزئیات نمونه گیری برای شکل 26. با83

شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86

شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87

شکل30: نمایش حالات چهره87

شکل 31. نوع اول چیدمان داده ها92

شکل 32. نوع دوم چیدمان داده ها93

شکل 33. نوع سوم چیدمان داده ها94

شکل 34. نوع چهارم چیدمان داده ها95

جدول 1. 114

جدول 2. 115

جدول 3. 116

جدول 4. 116

نمودار 1. 117

مقاله توسعه‌ی سیستم ابزار کشاورزی مبتنی بر بینایی ماشین و کنترل فازی

این فایل ترجمه فارسی مقاله زیر می باشد:

Development of agricultural implement system based on machine vision and fuzzy control

دانلود رایگان مقاله انگلیسی

چکیده

برای رسیدن به وجین بین ردیف دقیق مکانیکی ، سیستم هدایت ابزار کشاورزی بر اساس بینایی ماشین طراحی شده است. سیستم هدایت، متشکل از یک دوربین ویدئویی رنگی، PC پانل صنعتی، کنترل‌کننده‌ی جابجایی جانبی، یک گیرنده GPS، یک سیستم هیدرولیکی و یک ابزار کشاورزی می باشد. به منظور بهبود دقت و قابلیت اطمینان سیستم هدایت، انتخاب فضای رنگ، روش تشخیص خط هدایت، و روش کنترل پیاده سازی، مورد بررسی قرار گرفت. اول، با توجه به عوارض جانبی از تغییرات نور در پردازش تصویر، مدل رنگ HIS (رنگ، ​​اشباع ، شدت) برای پردازش تصاویر مورد استفاده قرار گرفت، و یک الگوریتم آستانه بر اساس جزء H برای تولید تصاویر سیاه و سفید استفاده شده است. دوم، با توجه به ویژگی های ردیف محصول در تصویر، یک روش شناسایی خط محصول بر اساس اسکن خطی ارائه شده است. برای تقریب روند یک ردیف محصول به یک خط در عکس ، پیکسل‌ها در لبه‌های پایین و بالای تصویر به عنوان دو نقطه انتهایی خط انتخاب شده‌اند. خطوط نامزد با حرکت موضع این نقطه‌های پایانی، ایجاد شده اند. خط با بیشترین را هدف به عنوان خط محصول در نظر گرفته شد. در نهایت، کنترل فازی برای کنترل ابزار کشاورزی مورد استفاده قرار گرفته است. این الگوریتم می تواند به طور موثر ردیابی خط هدایت  ابزار کشاورزی را کنترل کند. آزمایش‌های راه ردیابی در سه سرعت مختلف 0.6، 1.0 و 1.4 متر بر ثانیه در مزرعه ذرت در یک روز آفتابی، انجام شده است. حداکثر خطاهای جانبی 4.5 سانتی متر، 5.5 سانتی متر و 6.8 سانتی متر در سه سرعت، بود. خطاهای جانبی متوسط ​​کمتر از 2.7 سانتی متر برای تمام سرعت‌ها بودند. نتایج تجربی نشان می دهد که سیستم هدایت با موفقیت با تغییرات نور طبیعی منطبق شده و دارای عملکرد دینامیکی مناسب در تمام سرعت‌ها می باشد.

توضیحات: فایل ترجمه به صورت word می باشد و دارای 34 صفحه است.

مقاله علمی بینایی ماشین با موضوع دید فعال برای نظارت بر بیماری پارکینسون

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 22 صفحه

 این مقاله ارزشمند در درس پردازش تصویر رشته مهندسی کامپیوتر در مقطع کارشناسی ارشد در دانشگاه علم و صنعت تهران ارائه گردیده است در این تحقیق هم متن انگلیسی مقاله موجود میباشد و هم متن فارسی که در هیچ سایتی نمونه ترجمه شده آن موجود نمیباشد.

چکیده:

هدف از این گزارش تشریح مقاله ای در زمینه بینایی ماشین می باشد. در مقاله بیان شده نویسنده سعی داردکه با ارائه یک نمونه اولیه مبتنی بر تکنیک های بینایی ماشین، بیماری های لرزش از قبیل پارکینسون را کنترل و بررسی کند.

سیستم معرفی شده توسط این نویسنده با سیستم های سنتی متفاوت می باشد. در سیستم های سنتی دوربین در مقابل بیمار قرار می گیرد اما در سیستم معرفی شده دوربین برروی بدن بیمار نصب می شود. این ردیابی که مزایایی نسبت به ردیابی سنتی دارد ردیابی حرکت فعال نامیده می شود. مزایای این روش نسبت به روش های سنتی به صورت زیر زیر می باشد:

دستیابی به نتایج بیش تر و دقیق تر خواهد بود.همه حرکات حتی حرکات کوچک شناسایی می گردد.مراحل ساده و برای شناسایی لرزش ها بسیار مناسب می باشد.

فهرست مطالب:

مقدمهمزایای ردیابی حرکت فعال (مبتنی بر الگوریتم (siftآزمایش اول: نشان دادن مزیت ردیابی حرکت فعال نسبت به ردیابی حرکت غیرفعالروش پیشنهادی در این آزمایشمراحل الگوریتم Siftنتایج آزمایش اولآزمایش دوم: استفاده از سیستم پیشنهادی برای نظارت بر بیماری پارکینسوننتیجه کلی مقاله

مقدمه:

اختلالات حرکتی بسیاری از مردم را از زندگی روزانه خود منع می کند. در این مقاله تشریح شده یک چارچوب برای بینایی فعال مبتنی بر اختلالات لرزشی مانند پارکینسون ارائه می دهیم. تجزیه و تحلیل حرکت انسان در در مان و طب بالینی یک حوزه پژوهشی فعال از سال 1980 می باشد. اغلب سیستم های ردیابی حرکت را می توان به دودسته کلی تقسیم بندی کرد:

سیستم های سنجش موقعیتسیستم های مبتنی بر بینایی

در الگوهای سنجش موقعیت مجموعه ای از سنسورها به بدن بیمار به منظور جمع آوری اطلاعات حرکت نصب می شود. عملکرد این سنسورها تحت تاثیر مواد فرو مغناطیس در محیط اطراف می باشد. 

سیستم های مبتنی بر بینایی ماشین به دوربین ها به جای سنسورها تکیه می کنند و به دو دسته ردیابی حرکت فعال و غیر فعال تقسیم می گردد. در ردیابی حرکت غیر فعال بیمار در وسط اتاقی که دوربین در درونش قرار دارد، در حالی که در سراسر بدن او مارکرهای بصری قرار گرفته است ، می ایستد. به طور مداوم تصویر هایی از بدن بیمار گرفته می شود و حرکت وی ضبط می گردد.

اگرچه این روش دارای مزایایی می باشد اما می تواند یک سری معایبی هم داشته باشد:

نیاز به استفاده از نشانگرهای خاص برروی بدن بیمار برای تشخیص حرکت، وجود دارد.نیاز به راه اندازی پیشرفته و تجهیزات گران قیمت می باشد.عدم شناسایی برخی شاخص ها در صورت انسداد، بدین معنی که اگر در بین نشانگرهایی که روی بدن بیمار است و دوربین مانعی ایجاد شود ردیابی حرکت امکان پذیر نمی باشد.مشکلات ردیابی در صورت به هم ریختن صحنه.تغییرات scale و نور بر کارایی تاثیر می گذارد.با مشکلات ریزولیشن مواجه می شود. تغییر در منطقه کوچکی از تصویر در صورت حرکت کاربر.

پاورپوینت علمی بینایی ماشین با موضوع دید فعال برای نظارت بر بیماری پارکینسون

فرمت فایل : power point  (قابل ویرایش) تعداد اسلاید  : 20 اسلاید

 این مقاله ارزشمند در درس پردازش تصویر رشته مهندسی کامپیوتر در مقطع کارشناسی ارشد در دانشگاه علم و صنعت تهران ارائه گردیده است.

چکیده:

هدف از این گزارش تشریح مقاله ای در زمینه بینایی ماشین می باشد. در مقاله بیان شده نویسنده سعی داردکه با ارائه یک نمونه اولیه مبتنی بر تکنیک های بینایی ماشین، بیماری های لرزش از قبیل پارکینسون را کنترل و بررسی کند.

سیستم معرفی شده توسط این نویسنده با سیستم های سنتی متفاوت می باشد. در سیستم های سنتی دوربین در مقابل بیمار قرار می گیرد اما در سیستم معرفی شده دوربین برروی بدن بیمار نصب می شود. این ردیابی که مزایایی نسبت به ردیابی سنتی دارد ردیابی حرکت فعال نامیده می شود. مزایای این روش نسبت به روش های سنتی به صورت زیر زیر می باشد:

دستیابی به نتایج بیش تر و دقیق تر خواهد بود.همه حرکات حتی حرکات کوچک شناسایی می گردد.مراحل ساده و برای شناسایی لرزش ها بسیار مناسب می باشد.

فهرست مطالب:

مقدمهمزایای ردیابی حرکت فعال (مبتنی بر الگوریتم (siftآزمایش اول: نشان دادن مزیت ردیابی حرکت فعال نسبت به ردیابی حرکت غیرفعالروش پیشنهادی در این آزمایشمراحل الگوریتم Siftنتایج آزمایش اولآزمایش دوم: استفاده از سیستم پیشنهادی برای نظارت بر بیماری پارکینسوننتیجه کلی مقاله

مقدمه:

اختلالات حرکتی بسیاری از مردم را از زندگی روزانه خود منع می کند. در این مقاله تشریح شده یک چارچوب برای بینایی فعال مبتنی بر اختلالات لرزشی مانند پارکینسون ارائه می دهیم. تجزیه و تحلیل حرکت انسان در در مان و طب بالینی یک حوزه پژوهشی فعال از سال 1980 می باشد. اغلب سیستم های ردیابی حرکت را می توان به دودسته کلی تقسیم بندی کرد:

سیستم های سنجش موقعیتسیستم های مبتنی بر بینایی

در الگوهای سنجش موقعیت مجموعه ای از سنسورها به بدن بیمار به منظور جمع آوری اطلاعات حرکت نصب می شود. عملکرد این سنسورها تحت تاثیر مواد فرو مغناطیس در محیط اطراف می باشد. 

سیستم های مبتنی بر بینایی ماشین به دوربین ها به جای سنسورها تکیه می کنند و به دو دسته ردیابی حرکت فعال و غیر فعال تقسیم می گردد. در ردیابی حرکت غیر فعال بیمار در وسط اتاقی که دوربین در درونش قرار دارد، در حالی که در سراسر بدن او مارکرهای بصری قرار گرفته است ، می ایستد. به طور مداوم تصویر هایی از بدن بیمار گرفته می شود و حرکت وی ضبط می گردد.

اگرچه این روش دارای مزایایی می باشد اما می تواند یک سری معایبی هم داشته باشد:

نیاز به استفاده از نشانگرهای خاص برروی بدن بیمار برای تشخیص حرکت، وجود دارد.نیاز به راه اندازی پیشرفته و تجهیزات گران قیمت می باشد.عدم شناسایی برخی شاخص ها در صورت انسداد، بدین معنی که اگر در بین نشانگرهایی که روی بدن بیمار است و دوربین مانعی ایجاد شود ردیابی حرکت امکان پذیر نمی باشد.مشکلات ردیابی در صورت به هم ریختن صحنه.تغییرات scale و نور بر کارایی تاثیر می گذارد.با مشکلات ریزولیشن مواجه می شود. تغییر در منطقه کوچکی از تصویر در صورت حرکت کاربر.

استفاده از سامانه بینایی ماشین برای درجه بندی بلادرنگ انجیر خشک بر اساس رنگ، اندازه و دهانه

چکیده
انجیر یکی از تولیدات باغی است که برای ارائه به بازار نیاز به درجهبندی در مرحلهی پس از برداشت دارد. در بازار محلی،
انجیر به دو روش درجهبندی میشود: روش مبتنی بر نظر شخص خبره که به صورت دستی و بر اساس مشخصاتی نظیر
اندازهی دهانه، رنگ و اندازه قطر انجیر خشک انجام میشود، و روش مکانیکی که از طریق غربال انجیر بر اساس قطر
صورت میپذیرد. در این تحقیق یک سامانه مبتنی بر بینایی ماشین برای درجهبندی انجیر توسعه یافت. برای این منظور،
یک برنامه کنترل در محیط نرمافزار LabVIEW تدوین شد که توسط آن میتوان انجیر را بر اساس ویژگیهای ظاهری در
پنج سطح کیفی درجهبندی کرد. در سامانه توسعه یافته، ابتدا برخی ویژگیهای بازار پسندی انجیر خشک شامل رنگ، اندازه
و میزان دهان باز و بسته بودن با استفاده از پردازش تصویر استخراج شد. پس از محاسبهی مشخصات ظاهری انجیر توسط
الگوریتم پردازش تصویر و مقایسه آن با مقادیر از پیش تعیین شده در سامانه کنترل، درجهی کیفی محصول در قالب یک
سیگنال فرمان به نازل بادی بیرونانداز مربوط به درجهی کیفی مورد نظر ارسال گردید و انجیر داخل سبد جمعآوری مربوط
به آن درجهی کیفی قرار گرفت. نتایج به دست آمده از تحقیق حاضر نشان داد که با استفاده از سامانهی توسعه یافته میتوان
39 درصد نسبت به روش دستی تشخیص داد. میانگین سرعت پردازش و / درجهی کیفی انجیر را به طور میانگین با دقت 2
درجهبندی کیفیت انجیر در سامانه پیشنهادی برابر با 39 کیلوگرم در ساعت بود.