Sensors for fruit firmness assessment: comparaison and fusion
Capteurs pour l'évaluation de la fermeté des fruits : comparaison et fusion
Résumé
Non-destructive measurement of fruit firmness is a difficult problem and many different sensors have been developed in order to achieve this task. Three different European laboratories were associated in collaborative experiments on peaches, to compare three different sensing techniques, namely, sound, impact and micro-deformation. A bayesien classifier is associated which each individual sensor and provides a classification into tree categories, namely soft, half firm and firm. The fusion of the different sensors is performed by using bayesian classifers associated with heuristic method for identity fusion. The result of the identify fusion is compared with the classification provided by an unsupervised algorithm based on destructive measurements. The fusion process provides some improvement in the classification results. For the individual sensors, the error rate of the classification varied from 19 to 28 %, but the fusion process reduced this 14 %. Moreover, all measures of agreement between sensor lead to the conclusion that fusing sensors is better than using individual sensors.
La mesure non destructive de la fermeté des fruits reste un problème difficile à résoudre, bien que de nombreux capteurs aient été récemment développés à cet effet. Afin de comparer différentes technologies de mesure (le son, l'impact et la micro-déformation), trois laboratoires européens ont été associés pour tester des capteurs appliqués à la mesure de fermeté sur des pêches. Un sytème de classification bayésien est associé à chaque capteur, et fournit une classification en trois catégories : souple, ferme et intermédiaire. La fusion des capteurs est assurée par une méthode heuristique (basée sur le vote) associée aux systèmes de classifications bayésien pour déterminer la catégorie d'appartenance de chaque fruit. Les résultats de cette classification sont comparés à une classification de référence fournie par un algorithme non supervisé qui utilise des mesures destructives. Il est montré que la fusion de capteurs améliore les résultats de la classification. Si on utilise chaque capteur pris individuellement, l'erreur de classification varie entre 19 et 28 %; mais la fusion des capteurs permet de diminuer cette erreur à 14 %. De plus, toutes les mesures de concordance entre les capteurs montrent qu'il est préférable d'utiliser la fusion de capteurs, plutôt que d'utiliser chaque capteur pris individuellement.