ویژگی های روند

بررسی روند تغییرات ویژگی های رنگی و بافتی گوشت ماهی کپور با کمک پردازش تصویر

کیفیت ماهی تحت تاثیر روش‌های حمل و نقل، شرایط نگهداری و زمان انبارمانی می‌باشد و این عوامل موجب تغییرات شیمیایی در ماهی شده، در نتیجه با تسریع در تخریب و فساد ویژگی های روند بافت ماهی مصرف آن را برای بدن انسان خطرناک می‌کند. بیشتر روش‌های مورد استفاده برای بررسی تازگی ماهی هزینه بر و مخرب هستند. لذا هدف از این پژوهش توسعه روشی غیر مخرب بر مبنای رابطه بین رنگ و بافت چشم و آبشش به کمک سامانه بینایی ماشین در نظر گرفته ‌شد. بر این اساس بعد از استخراج ناحیه مورد نظر از تصاویر (چشم و آبشش) ویژگی رنگی و بافتی از تصاویر استخراج و به کمک الگوریتم انتخاب ویژگی فیشر مناسب‌ترین آن‌ها انتخاب و عمل گروه‌بندی با کمک دو روش طبقه‌بندی QDA و LDA انجام پذیرفت. برای طبقه‌بند QDA ویژگی‌های V_HSV (استخراج شده از آبشش)، انرژی و تباین (استخراج شده از چشم ماهی) و برای طبقه بند LDA ویژگی‌ انرژی (استخراجی از چشم)، تباین (استخراجی از چشم)، V_HSV (استخراجی از آبشش)، یکنواختی (استخراجی از چشم) و H_HSV (استخراجی از آبشش)، به ترتیب به دقت 93% و 96% رسید.

چکیده تصویری

تازه های تحقیق

• از روش پردازش تصویر به‌منظور ارزیابی تازگی ماهی استفاده شد.
• ویژگی رنگی و بافتی چشم و آبشش از تصاویر استخراج و به کمک الگوریتم انتخاب ویژگی فیشر مناسب‌ترین آن‌ها انتخاب شد.
• به‌منظور پیش­بینی تازگی از طبقه بند QDA و LDA استفاده شد که به‌ترتیب به دقت 93 و 96% رسید.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Study of color and textural feature variation of carp meat using image processing

نویسندگان [English]

• Fatemeh Kazemi Karaji 1
• Saman Abdanan Mehdizadeh 2
• Hadi Orak 3

1 MSc student of Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Khuzestan Agricultural Sciences and Natural Resources University.

3 Graduated MSc of Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Khuzestan Agricultural Sciences and Natural Resources University.

Fish quality is affected by terms of handling, maintenance and storage time. These terms make chemical changes in fish and accelerate the deterioration its of tissue and make it dangerous for human body. There are several methods use for assessment of fish freshness, most of them are costly and destructive., Therefore, in this paper a non-destructive machine vision system based on gill and eye color and textural features is proposed. . Accordingly, after segmentation of region of interest in the images (eyes and gills), the color and textural properties of the images were extracted and the most suitable ones were selected using Fisher's selection algorithm and QDA and LDA classification methods were applied. For the QDA classifier , the V_HSV (extracted from the gills), the energy and the contrast (extracted from the fish's eye) and for the LDA classifier, the energy (extracted from the eye), the contrast )extraction from the eye) ,V_HSV (extracted from the gills) ,homogeneity (extracted from the eye) and H_HSV (extracted from the gills) were extracted. The classification accuracy for QDA and LDA were 93% and 96%, respectively.

کلیدواژه‌ها [English]

• Carp fish
• Meat
• Quality evaluation
• Machine vision

مراجع

[1] Hammond, J., Marquis, B., Michaels, R., Oickle, B., Segee, B., Vetelino, J., Bushway, A., Camire, M.E. and Davis-Dentici, K. )2002(. A semiconducting metal-oxide array for monitoring fish freshness. Sens. Actuators., B, 84(2-3),113-122.

[2] . Zhai, X., Shi, J., Zou, X., Wang, S., Jiang, C., Zhang, J., Huang, X., Zhang, W., Holmes, M. (2017). Novel colorimetric films based on starch/polyvinyl alcohol incorporated with roselle anthocyanins for fish freshness monitoring. Food Hydrocoll., 69,308-317.

[3] . Goon, S., Bipasha, M., Islam, M. S., Hossain, M. B. (2014). Fish marketing status with formalin treatment in Bangladesh. Int. J. Public Health Sci., 3(2), 95-100.

[4] . Issac, A., Dutta, M. K., Sarkar, B. (2017). Computer vision based method for quality and freshness check for fish from segmented gills. Comput Electron Agric., 139, 10-21.

[5] . WHO. World Health Organization, 2005. Avoiding heart attacks and strokes: don't be a victim-protect yourself. World Health Organization.Available from: http://www.who.int/cardiovascular _diseases/resources /avoid _heart _attack_ report/ en/index.html. Accessed Aug 7, 2012.

[6] . Neale, E. P., NOLAN‐CLARK, D., Probst, Y. C., Batterham, M. J., Tapsell, L. C. (2012). Comparing attitudes to fish consumption between clinical trial participants and non‐trial individuals. Nutr Diet., 69(2), 124-129.

[7] . Olsen, S. O. (2004). Antecedents of seafood consumption behavior: An overview. J. Aquat Food prod Technol., 13(3), 79-91.

[8] . Verbeke, W., Vackier, I. (2005). Individual determinants of fish consumption: application of the theory of planned behaviour. Appetite., 44(1), 67-82.

[9] . Alasalvar, C., Miyashita, K., Shahidi, F., Wanasundara, U. (2011). (Eds.), Handbook of seafood quality, safety and health applications. John Wiley., Sons.

[10] . Hassoun, A. and Karoui, R. (2015). Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fish freshness stored under different refrigerated conditions. Food Control., 54, 240-249

[11] . Chung, W. Y., Le, G. T., Tran, T. V., Nguyen, N. H. (2017). Novel proximal fish freshness monitoring using batteryless smart sensor tag. Sens. Actuators., B , 248, 910-916.

[12] . McCaig, T. N. (2002). Extending the use of visible/near-infrared reflectance spectrophotometers to measure colour of food and agricultural products. Food Res Int., 35(8), 731-736.

[13] . Wang, F., Zang, Y., Wo, Q., Zou, C., Wang, N., Wang, X., Li, D. (2013). Fish freshness rapid detection based on fish-eye image. In PIAGENG 2013: Image Processing and Photonics for Agricultural Engineering., 8761, 87610A.

[14] . Zion, B., Alchanatis, V., Ostrovsky, V., Barki, A., Karplus, I. (2007). Real-time underwater sorting of edible fish species. Comput Electron Agric., 56(1), 34-45.

[15] . Dutta, Malay Kishore, Singh, Anushikha, Ghosal, Sabari. (2015). A computer vision based technique for identification of acrylamide in potato chips. Comput. Electron. Agric., 119, 40–50.

[16] . Camargo, A., Smith, J.S. (2009). An image-processing based algorithm to automatically identify plant disease visual symptoms. Biosys. Eng., 102 (1), 9–21.

[17] . Dutta, Malay Kishore, Issac, Ashish, Minhas, Navroj, Sarkar, Biplab. (2016). Image processing based method to assess fish quality and freshness. J. Food Eng., 177, 50–58.

[18] . Gowen, A.A., O’Donnell, C.P., Cullen, P.J., Downey, G., Frias, J.M. (2007). Hyperspectral imaging – an emerging process analytical tool for food quality and safety control. Trends Food Sci. Technol., 18 (12), 590–598.

[19] . نعمتی‌نیا، الف؛ آبدانان مهدی‌زاده، س؛ ناصحی، ب. (1396) 'اندازه‌گیری پارامترهای رنگ در اسپاگتی با استفاده از سیستم بینایی ماشین، علوم و صنایع غذایی ایران، جلد 14، شماره 73، ص 71-81.

[20] .سلطانی کاظمی، م؛ آبدانان مهدی‌زاده، س. (1395) ساخت، توسعه و ارزیابی سامانه جداکننده توت فرنگی با استفاده از تکنولوژی بینایی، نشریه پژوهشهای مکانیک ماشینهای کشاورزی، جلد 6، شماره 1، ص 61-69.

[21] . Gosselin, P. H., Murray, N., Jégou, H., Perronnin, F. (2014). Revisiting the ویژگی های روند fisher vector for fine-grained classification. Pattern recognit. Let., 49, 92-98.

[22] . آبدانان مهدی زاده، س، سلطانی کاظمی، م. (1395) ساخت و ارزیابی سامانه تشخیص تراکم توده زنبور درون کندو با استفاده از بینایی ماشین، مهندسی بیوسیستم ایران، جلد 47، شماره 1، ص 21-29.

[23] .Fedikow, M. A. F., Parbery, D., Ferreira, K. J. (1991). Geochemical target selection along the Agassiz Metallotect utilizing stepwise discriminant function analysis. Econ Geol., 86(3), 588-599.

[24] . Wu, W., Mallet, Y., Walczak, B., Penninckx, W., Massart, D. L., Heuerding, S., Erni, F. (1996). Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data. Anal. Chim. Acta., 329(3), 257-265.

[25] .Qiao, M., Fletcher, D. L., Smith, D. P., Northcutt, J. K. (2001). The effect of broiler breast meat color on pH, moisture, water-holding capacity, and emulsification capacity. Poult. Sci., 80(5), 676-680.

[26] .Wu, W., Mallet, Y., Walczak, B., Penninckx, W., Massart, D. L., Heuerding, S. Erni, F. (1996). Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data. Anal. Chim. Acta., 329(3), 257-265.

[27] . Masniyom, P. )2011(. Deterioration and shelf-life extension of fish and fishery products by modified atmosphere packaging. J.Sci. Techno.l, 33 (2), 181–192.

[29] . Thanonkaew, A., Benjakul, S., Vissessanguan, W., Decker, E.A. )2006(. The effect of metal ions on lipid oxidation, color and physicochemical properties of cuttlefish (Sepia pharaonis) subjected to multiple freeze-thaw cycles. Food Chem., 95 (4), 591–599.

[30] . آبدانان مهدی زاده، س، نوری، م، سلطانی کاظمی، م، امرایی، س. (1395). بررسی غیرمخرب فاکتورهای کیفی آبمیوه مرکبات در خلال انبارمانی با کمک پردازش تصویر.پژوهش‌های علوم و صنایع غذایی ایران، پژوهش‌های علوم و صنایع غذایی ایران، جلد 13، شماره 2، ص 262-272

[31] . Guzmán, E., Baeten, V., Fernández Pierna, J. A., García-Mesa, J. A. (2015) Determination of the Olive Maturity Index of Intact Fruits Using Image Analysis. Food Sci. Technol., 52 (3), 1462–1470.

[32] . Quevedo, R., Jaramillo, M., Diaz, O., Pedreschi, F., Aguilera, J. M.) 2009(. Quantification of enzymatic browning in apple slices applying the fractal texture Fourier image. J. Food Eng., 95(2), 285-290.

[33] . Quevedo, R., Valencia, E., Bastías, J. M., Cárdenas, S. (2013, October). Description of the enzymatic browning in avocado slice using GLCM image texture. In Pacific-Rim Symposium on Image and Video Technology pp 93-101. Springer, Berlin, Heidelberg.

[34] . Gerrard, D. E., Gao, X., Tan, J. (1996). Beef marbling and color score determination by image processing. Food Sci., 61(1), 145-148.

[36] Castro, P., Millan, R., Penedo, J. C., Sanjuan, E., Santana, A., Caballero, M. J. (2012). Effect of storage conditions on total volatile base nitrogen determinations in fish muscle extracts. J. Aquat Food prod Technol., 21(5), 519-523

[37] . . Dowlati, M., Mohtasebi, S. S., Omid, M., Razavi, S. H., Jamzad, M., De La Guardia, M. (ویژگی های روند 2013). Freshness assessment of gilthead sea bream (Sparus aurata) by machine vision based on gill and eye color changes. J. Food Eng., 119(2), 277-287.

[38] Muhamad, F., Hashim, H., Jarmin, R., Ahmad, A. (2009, December). Fish freshness classification based on image processing and fuzzy logic. In Proceedings of the 8th WSEAS International Conference on Circuits, Systems, Electronics, Control. 109-115.

[39] . Dufour, É, Frencia, J. P., Kane, E. (2003). Development of a rapid method based on front-face fluorescence spectroscopy for the monitoring of fish freshness. Food Res Int., 36(5), 415-423.

[40] . Khojastehnazhand, M., Khoshtaghaza, M. H., Mojaradi, B., Rezaei, M., Goodarzi, M., Saeys, W. (2014). Comparison of visible–near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness. Food Res Int., 56, 25-34.

روند افزایش بیماران مبتلا به کرونا ادامه دارد/ ویژگی های ویژگی های روند کرونای جهش یافته تفاوت های زیادی با ویروس ووهان دارد

محسنی بندپی استاندار تهران درباره وضعیت بیمارستان ها و محدودیت‌های اعمال شده در استان تهران توضیحاتی داد.

به گزارش خبرگزاری موج، انوشیروان محسنی بندپی استاندار تهران در جلسه ستاد مدیریت و مقابله با ویروس کرونا استان تهران اظهار کرد: لازم است که ما چیز‌هایی که می‌تواند این بیماری را کاهش دهد کوتاهی نکنیم. در شرایط قرمز اعلام شده چه گروه‌هایی باید فعالیت کنند، سرو کردن غذا در رستوران محدودیت دارد و ممنوع است، ولی بیرون بر مشکلی ندارد.

وی ادامه داد: الان ۵۰ درصد تخت‌های بیمارستان‌ها و هزار تخت بخش مراقبت ویژه را اختصاص به کرونا دادیم. تشدید نظارت‌ها باید در راهبرد ما قرار گیرد. بعضی از دستگاه افراد حتی ماسک نداشتند و علی رغم اینکه دستورالعمل شده حتی اجازه ورود بازرسان را ندادند و شرکت ملی نفت از جمله این دستگاه‌ها بود.

استاندار تهران گفت: میزان فوتی‌های کرونا استان نسبت به شاخص‌ها پایین‌تر است به خاطر تخصص‌ها است و در بیمارستان‌های تخصصی و قدیمی مثل مسیح دانشوری و امام خمینی آمار فوتی‌ها ۱۱.۵ درصد است، ولی در بیمارستان‌های کوچک‌تر این آمار ۲۵ درصد است.

وی بیان کرد: نسبت به تجهیز کردن، اقدامات پیشگیرانه و مراقبت‌ها باید خود را بیشتر آماده کنیم و باید نسبت به آن‌ها کمک بیشتری داده شود، برای بحث برق هم باید مسولان این بخش کمک بیشتری کنند.

وی افزود: متاسفانه بستری ها، فوتی ها و بیماران سرپایی رو به افزایش است، ما در هیچ کدام از پیک های اول، دوم و سوم چنین شرایطی را نداشتیم. در پیک های قبلی مراجعان سرپایی کاهش پیدا می کرد و بعد از آن پیک بستری کاهش پیدا می کرد. ولی در پیک چهارم ویژگی های کرونای جهش تفاوت های زیادی با ویروس ووهان دارد.

وی ادامه داد: لازم است که دو کار را همزمان انجام دهیم، یکی اینکه پوشش واکسیناسیون را افزایش دهیم و دوم نظارت ها را دقیق تر، علمی تر انجام دهیم. نظارت فقط به اصناف مربوط نمی شود و باید دستگاه‌ها دورکاری کارمندان را داشته باشند. اگر مصوبه ای ستاد ملی دارد باید همه از آن تمکین کنند و قسمتی که استانداری باید انجام دهد در دستور کار قرار گرفته و دستگاه های متخلف را معرفی کرده ایم.

استاندار تهران بیان کرد: از شنبه هفته آینده راه اندازی خط ۶۰۷۰ را در دستور کار داریم. ما در گذشته ۶ هزار و ۹۰۰ تخت برای بیماران کرونایی داشتیم و به ۸ هزار و ۱۰۰ تخت افزایش دادیم و این خط برای هدایت، راهنمایی و جایابی بیماران است تا دچار سردرگمی نشوند و هر بیمار که تخت خالی نیافت با این خط می‌تواند تماس بگیرد و تخت خالی معرفی می‌شود.

وی گفت: افزایش تخت‌ها را داریم و بخش نامه کرده ایم که نسبت به پذیرش بیماران کرونایی در بیمارستان‌ها اقدام شود و عمل‌های غیرضروری متوقف شود و الان حدود ۱۰ هزار تخت در تهران داریم.

محسنی بندپی تصریح کرد: ممنوعیت‌ها قانون است و باید اجرا شود و تمامی بوستان ها و پارک‌ها باید تعطیل باشند. اگر بوستان یا پارکی اعلام شود حتما نسبت به تعطیلی آن اقدام می‌شود. فعلا در همه وضعیت‌های کرونایی آمار‌ها افزایش دارد و ویژگی های روند پیش بینی می‌شود هفته بعد هم همین شرایط باشد.

وی در پاسخ به سوالی مبنی بر تعطیلی تهران گفت: آن چیز‌هایی که ستاد ملی مصوب کرده را اجرا می‌کنیم.

بررسی روند تغییرات ویژگی های رنگی و بافتی گوشت ماهی کپور با کمک پردازش تصویر

کیفیت ماهی تحت تاثیر روش‌های حمل و نقل، شرایط نگهداری و زمان انبارمانی می‌باشد و این عوامل موجب تغییرات شیمیایی در ماهی شده، در نتیجه با تسریع در تخریب و فساد بافت ماهی مصرف آن را برای بدن انسان خطرناک می‌کند. بیشتر روش‌های مورد استفاده برای بررسی تازگی ماهی هزینه بر و مخرب هستند. لذا هدف از این پژوهش توسعه روشی غیر مخرب بر مبنای رابطه بین رنگ و بافت چشم و آبشش به کمک سامانه بینایی ماشین در نظر گرفته ‌شد. بر این اساس بعد از استخراج ناحیه مورد نظر از تصاویر (چشم و آبشش) ویژگی رنگی و بافتی از تصاویر استخراج و به کمک الگوریتم انتخاب ویژگی فیشر مناسب‌ترین آن‌ها انتخاب و عمل گروه‌بندی با کمک دو روش طبقه‌بندی QDA و LDA انجام پذیرفت. برای طبقه‌بند QDA ویژگی‌های V_HSV (استخراج شده از آبشش)، انرژی و تباین (استخراج شده از چشم ماهی) و برای طبقه بند LDA ویژگی‌ انرژی (استخراجی از چشم)، تباین (استخراجی از چشم)، V_HSV (استخراجی از آبشش)، یکنواختی (استخراجی از چشم) و H_HSV (استخراجی از آبشش)، به ترتیب به دقت 93% و 96% رسید.

چکیده تصویری

تازه های تحقیق

• از روش پردازش تصویر به‌منظور ارزیابی تازگی ماهی استفاده شد.
• ویژگی رنگی و بافتی چشم و آبشش از تصاویر استخراج و به کمک الگوریتم انتخاب ویژگی فیشر مناسب‌ترین آن‌ها انتخاب شد.
• به‌منظور پیش­بینی تازگی از طبقه بند QDA و LDA استفاده شد که به‌ترتیب به دقت 93 و 96% رسید.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Study of color and textural feature variation of carp meat using image processing

نویسندگان [English]

• Fatemeh Kazemi Karaji 1
• Saman Abdanan Mehdizadeh 2
• Hadi Orak 3

1 MSc student of Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Khuzestan Agricultural Sciences and Natural Resources University.

3 Graduated MSc of Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Khuzestan Agricultural Sciences and Natural Resources University.

Fish quality is affected by terms of handling, maintenance and storage time. These terms make chemical changes in fish and accelerate the deterioration its of tissue and make it dangerous for human body. There are several methods use for assessment of fish freshness, most of them are costly and destructive., Therefore, in this paper a non-destructive machine vision system based on gill and eye color and textural features is proposed. . Accordingly, after segmentation of region of interest in the images (eyes and gills), the color and textural properties of the images were extracted and the most suitable ones were selected using Fisher's selection algorithm and QDA and LDA classification methods were applied. For the QDA classifier , the V_HSV (extracted from the gills), the energy and the contrast (extracted from the fish's eye) and for the LDA classifier, the energy (extracted from the eye), the contrast )extraction from the eye) ,V_HSV (extracted from the gills) ,homogeneity (extracted from the eye) and H_HSV (extracted from the gills) were extracted. The classification accuracy for QDA and LDA were 93% and 96%, respectively.

کلیدواژه‌ها [English]

• Carp fish
• Meat
• Quality evaluation
• Machine vision

مراجع

[1] Hammond, J., Marquis, B., Michaels, R., Oickle, B., Segee, B., Vetelino, J., Bushway, A., Camire, M.E. and Davis-Dentici, K. )2002(. A semiconducting metal-oxide array for monitoring fish freshness. Sens. Actuators., B, 84(2-3),113-122.

[2] . Zhai, X., Shi, J., Zou, X., Wang, S., Jiang, C., Zhang, J., Huang, X., Zhang, W., Holmes, M. (2017). Novel colorimetric films based on starch/polyvinyl alcohol incorporated with roselle anthocyanins for fish freshness monitoring. Food Hydrocoll., 69,308-317.

[3] . Goon, S., Bipasha, M., Islam, M. S., Hossain, M. B. (2014). Fish marketing status with formalin treatment in Bangladesh. Int. J. Public Health Sci., 3(2), 95-100.

[4] . Issac, A., Dutta, M. K., Sarkar, B. (2017). Computer vision based method for quality and freshness check for fish from segmented gills. Comput Electron Agric., 139, 10-21.

[5] . WHO. World Health Organization, 2005. Avoiding heart attacks and strokes: don't be a victim-protect yourself. World Health Organization.Available from: http://www.who.int/cardiovascular _diseases/resources /avoid _heart _attack_ report/ en/index.html. Accessed Aug 7, 2012.

[6] . Neale, E. P., NOLAN‐CLARK, D., Probst, Y. C., Batterham, M. J., Tapsell, L. C. (2012). Comparing attitudes to fish consumption between clinical trial participants and non‐trial individuals. Nutr Diet., 69(2), 124-129.

[7] . Olsen, S. O. (2004). Antecedents of seafood consumption behavior: An overview. J. Aquat Food prod Technol., 13(3), 79-91.

[8] . Verbeke, W., Vackier, I. (2005). Individual determinants of fish consumption: application of the theory of planned behaviour. Appetite., 44(1), 67-82.

[9] . Alasalvar, C., Miyashita, K., Shahidi, F., Wanasundara, U. (2011). (Eds.), Handbook of seafood quality, safety and health applications. John Wiley., Sons.

[10] . Hassoun, A. and Karoui, R. (2015). Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fish freshness stored under different refrigerated conditions. Food Control., 54, 240-249

[11] . Chung, W. Y., Le, G. T., Tran, T. V., Nguyen, N. H. (2017). Novel proximal fish freshness monitoring using batteryless smart sensor tag. Sens. Actuators., B , 248, 910-916.

[12] . McCaig, T. N. (2002). Extending the use of visible/near-infrared reflectance spectrophotometers to measure colour of ویژگی های روند food and agricultural products. Food Res Int., 35(8), 731-736.

[13] . Wang, F., Zang, Y., Wo, Q., Zou, C., Wang, N., Wang, X., Li, D. (2013). Fish freshness rapid detection based on fish-eye image. In PIAGENG 2013: Image Processing and Photonics for Agricultural Engineering., 8761, 87610A.

[14] . Zion, B., Alchanatis, V., Ostrovsky, V., Barki, A., Karplus, I. (2007). Real-time underwater sorting of edible fish species. Comput Electron Agric., 56(1), 34-45.

[15] . Dutta, Malay Kishore, Singh, Anushikha, Ghosal, Sabari. (2015). A computer vision based technique for identification of acrylamide in potato chips. Comput. Electron. Agric., 119, 40–50.

[16] . Camargo, A., Smith, J.S. (2009). An image-processing based algorithm to automatically identify plant disease visual symptoms. Biosys. Eng., 102 (1), 9–21.

[17] . Dutta, Malay Kishore, Issac, Ashish, Minhas, Navroj, Sarkar, Biplab. (2016). Image processing based method to assess fish quality and freshness. J. Food Eng., 177, 50–58.

[18] . Gowen, A.A., O’Donnell, C.P., Cullen, P.J., Downey, G., Frias, J.M. (2007). Hyperspectral imaging – an emerging process analytical tool for food quality and safety control. Trends Food Sci. Technol., 18 (12), 590–598.

[19] . نعمتی‌نیا، الف؛ آبدانان مهدی‌زاده، س؛ ناصحی، ب. (1396) 'اندازه‌گیری پارامترهای رنگ در اسپاگتی با استفاده از سیستم بینایی ماشین، علوم و صنایع غذایی ایران، جلد 14، شماره 73، ص 71-81.

[20] .سلطانی کاظمی، م؛ آبدانان مهدی‌زاده، س. (1395) ساخت، توسعه و ارزیابی سامانه جداکننده توت فرنگی با استفاده از تکنولوژی بینایی، نشریه پژوهشهای مکانیک ماشینهای کشاورزی، جلد 6، شماره 1، ص 61-69.

[21] . Gosselin, P. H., Murray, N., Jégou, H., Perronnin, F. (2014). Revisiting the fisher vector for fine-grained classification. Pattern recognit. Let., 49, 92-98.

[22] . آبدانان مهدی زاده، س، سلطانی کاظمی، م. (1395) ساخت و ارزیابی سامانه تشخیص تراکم توده زنبور درون کندو با استفاده از بینایی ماشین، مهندسی بیوسیستم ایران، جلد 47، شماره 1، ص 21-29.

[23] .Fedikow, M. A. F., Parbery, D., Ferreira, K. J. (1991). Geochemical target selection along the Agassiz Metallotect utilizing stepwise discriminant function analysis. Econ Geol., 86(3), 588-599.

[24] . Wu, W., Mallet, Y., Walczak, B., Penninckx, W., Massart, D. L., Heuerding, S., Erni, F. (1996). Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data. Anal. Chim. Acta., 329(3), 257-265.

[25] .Qiao, M., Fletcher, D. L., Smith, D. P., Northcutt, J. K. (2001). The effect of broiler breast meat color on pH, moisture, water-holding capacity, and emulsification capacity. Poult. Sci., 80(5), 676-680.

[26] .Wu, W., Mallet, Y., Walczak, B., Penninckx, W., Massart, D. L., Heuerding, S. Erni, F. (1996). Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data. Anal. Chim. Acta., 329(3), 257-265.

[27] . Masniyom, P. )2011(. Deterioration and shelf-life extension of fish and fishery products by modified atmosphere packaging. J.Sci. Techno.l, 33 (2), 181–192.

[29] . Thanonkaew, A., Benjakul, S., Vissessanguan, W., Decker, E.A. )2006(. The effect of metal ions on lipid oxidation, color and physicochemical properties of cuttlefish (Sepia pharaonis) subjected to multiple freeze-thaw cycles. Food Chem., 95 (4), 591–599.

[30] . آبدانان مهدی زاده، س، نوری، م، سلطانی کاظمی، م، امرایی، س. (1395). بررسی غیرمخرب فاکتورهای کیفی آبمیوه مرکبات در خلال انبارمانی با کمک پردازش تصویر.پژوهش‌های علوم و صنایع غذایی ایران، پژوهش‌های علوم و صنایع غذایی ایران، جلد 13، شماره 2، ص 262-272

[31] . Guzmán, E., Baeten, V., Fernández Pierna, J. A., García-Mesa, J. A. (2015) Determination of the Olive Maturity Index of Intact Fruits Using Image Analysis. Food Sci. Technol., 52 (3), 1462–1470.

[32] . Quevedo, R., Jaramillo, M., Diaz, O., Pedreschi, F., Aguilera, J. M.) 2009(. Quantification of enzymatic browning in apple slices applying the fractal texture Fourier image. J. Food Eng., 95(2), 285-290.

[33] . Quevedo, R., Valencia, E., Bastías, J. M., Cárdenas, S. (2013, October). Description of the enzymatic browning in avocado slice using GLCM image texture. In Pacific-Rim Symposium on Image and Video Technology pp 93-101. Springer, Berlin, Heidelberg.

[34] . Gerrard, D. E., Gao, X., Tan, J. (1996). Beef marbling and color score determination by image processing. Food Sci., 61(1), 145-148.

[36] Castro, P., Millan, R., Penedo, J. C., Sanjuan, E., Santana, A., Caballero, M. J. (2012). Effect of storage conditions on total volatile base nitrogen determinations in fish muscle extracts. J. Aquat Food prod Technol., 21(5), 519-523

[37] . . Dowlati, M., Mohtasebi, S. S., Omid, M., Razavi, S. H., Jamzad, M., De La Guardia, M. (2013). Freshness assessment of gilthead sea bream (Sparus aurata) by machine vision based on gill and eye color changes. J. Food Eng., 119(2), 277-287.

[38] Muhamad, F., Hashim, H., Jarmin, R., Ahmad, A. (2009, December). Fish freshness classification based on image processing and fuzzy logic. In Proceedings of the 8th WSEAS International Conference on Circuits, Systems, Electronics, Control. 109-115.

[39] . Dufour, É, Frencia, J. P., Kane, E. (2003). Development of a rapid method based on front-face fluorescence spectroscopy for the monitoring of fish freshness. Food Res Int., 36(5), 415-423.

[40] . Khojastehnazhand, M., Khoshtaghaza, M. H., Mojaradi, B., Rezaei, M., Goodarzi, M., Saeys, W. (2014). Comparison of visible–near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness. Food Res Int., 56, 25-34.

گزارشی از روند اجرای طرح های تحقیقاتی بررسی ویژگی های فردی، روان شناختی، خانوادگی و اعتقادی زندانیان در بدو ورود به زندان

این پروژه با هدف شناسایی نیمرخ فردی، روانی، شخصیتی، خانوادگی، اجتماعی و اعتقادی زندانیان در بدو ورود در قالب ۳۱ طرح استانی در سال ۱۳۹۶ بعد از اجرای آزمایشی در ۱۰ زندان بر اساس پروپوزال های یکسان پژوهشی و با استفاده از ظرفیت علمی و پژوهشی ادارات کل استان ها طراحی و وارد مرحله اجرا گردید.

این بررسی سراسری در نظر دارد با توصیف متغیرهای جمعیت­شناختی نظیر جنس، سن و تحصیلات و غیره، توصیف ویژگی­های جسمانی، روانی، شخصیتی، خانوادگی، شغلی، قضایی و اعتقادی زندانیان در بدو ورود به ارایه راهکارهای پیشگیری­­کننده از آسیب­های منجر به وقوع جرم قبل از زندان و همچنین ارایه راهکارهای مداخلاتی برای بازپروری و بازگشت زندانیان به هنجارهای فردی و اجتماعی در طول مدت تحمل کیفر حبس بپردازد.

اجرای طرح در ۵ استان شامل استانهای اردبیل، چهارمحال و بختیاری، قزوین، یزد و همدان به اتمام رسیده است و گزارش آنها واصل گردیده است.

گزارش نهایی اجرای طرح در ۱۶ استان شامل اصفهان، البرز، ایلام، آذربایجان شرقی، آذربایجان غربی، بوشهر، تهران، خراسان جنوبی، خراسان شمالی، سیستان و بلوچستان، قم، کرمان، کرمانشاه، کهگیلویه و بویر احمد، گیلان و مازندران در انتظار بررسی و تایید نهایی می باشند.

این طرح در استان های خوزستان، فارس، کردستان، گلستان، لرستان، مرکزی و هرمزگان در حال انجام است.

متاسفانه ۳ استان خراسان رضوی، زنجان و سمنان در اجرای طرح موفق نبوده و تاکنون گزارشی از عملکرد خود ارائه نداده اند.

در نظر است اطلاعات حاصل از این ارزیابی وسیع که در برگیرنده اطلاعات جامعی از مشکلات و معضلات منجر به وقوع بزه و جرم در جامعه می باشد و از سوی دیگر چراغ راه برنامه ریزان برای اجرای مداخلات اصلاحی متناسب باشد؛ علاوه بر بهره برداری محلی و استانی، در قالب اطلس جغرافیایی ویژگی های این گروه از افراد تهیه گردد و در سطح ملی مورد بهره برداری قرار گیرد.

در حال حاضر پروپوزال طرح اطلس جغرافیایی ویژگیهای شخصیتی، اجتماعی و اعتقادی زندانیان کشور در انتظار بررسی و تایید نهایی می باشند.

گزارشی از روند اجرای طرح های تحقیقاتی بررسی ویژگی های فردی، روان شناختی، خانوادگی و اعتقادی زندانیان در بدو ورود به زندان

این پروژه با هدف شناسایی نیمرخ فردی، روانی، شخصیتی، خانوادگی، اجتماعی و اعتقادی زندانیان در بدو ورود در قالب ۳۱ طرح استانی در سال ۱۳۹۶ بعد از اجرای آزمایشی در ۱۰ زندان بر اساس پروپوزال های یکسان پژوهشی و با استفاده از ظرفیت علمی و پژوهشی ادارات کل استان ها طراحی و وارد مرحله اجرا گردید.

این بررسی سراسری در نظر دارد با توصیف متغیرهای جمعیت­شناختی نظیر جنس، سن و تحصیلات و غیره، توصیف ویژگی­های جسمانی، روانی، شخصیتی، خانوادگی، شغلی، قضایی و اعتقادی زندانیان در بدو ورود به ارایه راهکارهای پیشگیری­­کننده از آسیب­های منجر به وقوع جرم قبل از زندان و همچنین ارایه راهکارهای مداخلاتی برای بازپروری و بازگشت زندانیان به هنجارهای فردی و اجتماعی در طول مدت تحمل کیفر حبس بپردازد.

اجرای طرح در ۵ استان شامل استانهای اردبیل، چهارمحال و بختیاری، قزوین، یزد و همدان به اتمام رسیده است و گزارش آنها واصل گردیده است.

گزارش نهایی اجرای طرح در ۱۶ استان شامل اصفهان، البرز، ایلام، آذربایجان شرقی، آذربایجان غربی، بوشهر، تهران، خراسان جنوبی، خراسان شمالی، سیستان و بلوچستان، قم، کرمان، کرمانشاه، کهگیلویه و بویر احمد، گیلان و مازندران در انتظار بررسی و تایید نهایی می باشند.

این طرح در استان های خوزستان، فارس، کردستان، گلستان، لرستان، مرکزی و هرمزگان در حال انجام است.

متاسفانه ۳ استان خراسان رضوی، زنجان و سمنان در اجرای طرح موفق نبوده و تاکنون گزارشی از عملکرد خود ارائه نداده اند.

در نظر است اطلاعات حاصل از این ارزیابی وسیع که در برگیرنده اطلاعات جامعی از مشکلات و معضلات منجر به وقوع بزه و جرم در جامعه می باشد و از سوی دیگر چراغ راه برنامه ریزان برای اجرای مداخلات اصلاحی متناسب باشد؛ علاوه بر بهره برداری محلی و استانی، در قالب اطلس جغرافیایی ویژگی های این گروه از افراد تهیه گردد و در سطح ملی مورد بهره برداری قرار گیرد.

در حال حاضر پروپوزال طرح اطلس جغرافیایی ویژگیهای شخصیتی، اجتماعی و اعتقادی زندانیان کشور در انتظار بررسی و تایید نهایی می باشند.