Wheat class identification using monochrome images

Citation

Manickavasagan, A., Sathya, G., Jayas, D.S., et White, N.D.G. (2008). « Wheat class identification using monochrome images. », Journal of Cereal Science, 47(3), p. 518-527. doi : 10.1016/j.jcs.2007.06.008

Résumé

L’identification des classes de blé par l’analyse d’échantillons en vrac à l’aide d’un système de vision artificielle faciliterait grandement l’automatisation des opérations de manutention, de stockage et d’expédition dans les silos à grains. Nous avons employé un système de vision artificielle à senseur monochrome pour identifier huit classes de blé de l’Ouest canadien, par analyse d’échantillons en vrac dont la teneur en eau était de 11, de 14, de 17 ou de 20 %, à raison de 100 images par groupe d’échantillons. Au moyen du senseur, nous avons saisi des images en grisé (1024 x 768 pixels) des grains en vrac et les avons stockées dans un système de collecte de données. Nous avons élaboré des algorithmes permettant d’extraire automatiquement des images en grisé la valeur de 32 paramètres de texture. Le niveau de gris moyen des diverses classes de blé allait de 106, dans le cas du blé extra fort de l’Ouest canadien et du blé rouge d’hiver de l’Ouest canadien, à 143 dans le cas du blé rouge de printemps de l’Ouest canadien. Parmi les quatre teneurs en eau étudiées, les échantillons renfermant 17 % d’eau avaient les niveaux de gris moyen les plus élevés, tandis que ceux en renfermant 11 % avaient les niveaux de gris moyen les moins élevés, et cette relation était significative (α = 0,05). Par analyse discriminante quadratique, nous avons établi un modèle de classification dont l’exactitude globale était de 93,8, de 92,5, de 92,0 ou de 94,4 % selon que la teneur en eau du blé des diverses classes était de 11, de 14, de 17 ou de 20 %. Nous avons également établi un tel modèle par analyse discriminante linéaire, et son exactitude globale était de 96,1, de 95,0, de 95,4 ou de 96,3 % selon que la teneur en eau était de 11, de 14, de 17 ou de 20 %. Lorsque nous avons identifié les classes de blé sans égard à la teneur en eau des échantillons (en mélangeant les images correspondant aux diverses teneurs en eau, pour chaque classe de blé), nous avons obtenu une exactitude de 89,8 % par analyse discriminante quadratique et de 85,4 % par analyse discriminante linéaire. Une système d’analyse d’images monochromes pourrait servir à élaborer une méthode d'identification en ligne des classes de blé pour les établissements de manutention, mais il faudrait des recherches plus approfondies pour établir la performance de la méthode lorsque des matières étrangères ou d’autres impuretés sont présentes dans le grain en vrac.

Date de publication

2008-05-01