تشخیص خودکار فلفل دلمه ای مبتنی بر توصیفگر سه بعدی هیستوگرام ویژگی های سریع نقطه (FPFH) و یادگیری ماشین

برداشت دستی محصول فلفل دلمه ای به عنوان یکی از محصولات گلخانه ای زمان بر و هزینه های کارگری بالایی به دنبال دارد. به منظور برداشت رباتیک این محصول سامانه های بینایی ماشینی دوبعدی مختلفی توسعه یافته است. به دلیل محیط پیچیده گلخانه، تراکم بالای شاخه و برگ، وجود آفات و بیماری ها و آفتاب سوختگی، شرایط نوری غیر یکنواخت و متغیر و بلوغ غیر همزمان محصول منجر به غیریکنواختی در رنگ می شود. بنابراین علاوه بر فلفل دلمه ای سبز برداشت فلفل های دلمه ای رنگی نیز با چالش هایی همراه باست. لذا هدف از انجام این پژوهش تشخیص فلفل دلمه ای در مدل ابر نقاط مبتنی بر توصیفگر هیستوگرام ویژگی های سریع نقطه (FPFH) و یادگیری ماشین است. جهت ثبت تصاویر عمق از حسگر Kinect V2 استفاده شد. پس از ایجاد مدل سه بعدی از ویژگی های هندسی(FPFH) جهت طبقه بندی و از کانال رنگی H جهت ایجاد نظارت در 9 مدل طبقه بند استفاده شد. برای این منظور از 15 مدل سه بعدی از فلفل های رنگی استفاده شد. با توجه به معیار های F1-Score، سطح زیر منحنی و صحت الگوریتم، مدل طبقه بند KNN به عنوان بهترین مدل انتخاب شد. به منظور ارزیابی الگوریتم KNN بر روی 15 مدل سه بعدی از فلفل قرمز، فلفل نارنجی و زرد اجرا و در نهایت مورد بازبینی انسانی قرار گرفت. نتایج نشان داد مقدار معیار F1-Score به جز یک مورد در همه موارد بالاتر از 7/0، سطح زیر منحنی راک نیز در همه موارد بالاتر از 8/0 و صحت الگوریتم طبقه بندی در همه موارد بالاتر از 9/0 به دست آمد. علاوه بر این نتایج ارزیابی انسانی نیز نشان داد که حداقل دقت تشخیص برابر 42/71 درصد و در بعضی موارد نیز دقت 100 درصد حاصل شده است.