عنوان

تشخیص غیرمخرب کیفیت داخلی هندوانه به کمک تکنیک صوت و شبکه‌های عصبی

‭۴۵۳۷پ‬

per

تشخیص غیرمخرب کیفیت داخلی هندوانه به کمک تکنیک صوت و شبکه‌های عصبی

/حمید کرملاچعب

تبریز: دانشگاه تبریز، دانشکده کشاورزی، گروه ماشینهای کشاورزی

‮‭۹۵‬ص‬

چاپی

کارشناسی ارشد

کشاورزی، گروه ماشینهای کشاورزی

‮‭۱۳۹۰/۱۱/۳۰‬

تبریز: دانشگاه تبریز، دانشکده کشاورزی، گروه ماشینهای کشاورزی

اخیرا تجاری کردن هندوانه وابسته به تضمین آن از نظر کیفیت است .برخی از عواملی که در درجه-بندی هندوانه تأثیر دارند رسیدگی، عدم رسیدگی، بیش‌صرسیدگی، پوکی در گوشت هندوانه و بیمار یا سالم بودن هندوانه می‌صباشند .تشخیص این عوامل از روی پارامترهای ظاهری کار دشواری است .در این تحقیق سیستمی هوشمند جهت جداسازی هندوانه رقم کریمسون سوئیت با روش غیرمخرب مبتنی بر صوت و شبکه عصبی مصنوعی، به گروه‌صهای مختلف بر اساس کیفیت داخلی هندوانه طراحی و پیاده‌صسازی شد .اجزای این سیستم شامل جعبه صدا، ضربه‌صزن، میکروفن و نرم افزار پردازش سیگنال دیجیتال می‌صباشند .صفات هندوانه‌صها، اندازه‌صگیری و از طریق کارت صدا به کامپیوتر جهت ذخیره و پردازش بعدی منتقل می-گردد .خصوصیات گروه‌صها از تجزیه و تحلیل سیگنال ذخیره شده در حوزه زمان و فرکانس و کاربرد روش آماری تجزیه به مولفه‌صهای اصلی ‮‭(PCA)‬ استخراج شد .چندین مدل مختلف ‮‭ANN‬ هرکدام با تعداد نرون-های مختلف در لایه پنهان برای تعیین بهترین ساختار آموزش داده شدند .مدل ‮‭ANN‬ بهینه دارای ساختار‮‭۲۰ -۴۵- ۵‬می‌صباشد .دقت سیستم جداسازی برای هندوانه‌صهای نارسیده، تا حدودی رسیده، رسیده و بیش رسیده‌صوپوک و بیمار به ترتیب برابر ‮‭۵۴/۹۱‬ و ‮‭۴۶/۹۸‬ و ‮‭۳۸/۸۵‬ و‮‭۳۱/۸۲‬ و ‮‭۶۱/۸۴‬درصد، ‮‭MSE‬ به ترتیب ‮‭۰۲۹/۰‬ و ‮‭۰۱۸/۰‬ و ‮‭۰۴۷/۰‬ و ‮‭۰۴۵/۰‬ و ‮‭۰۳۹/۰‬و ضریب رگرسیون ‮‭(r)‬ به ترتیب ‮‭۹۱/۰‬ و ‮‭۹۵/۰‬ و ‮‭۸۴/۰‬و ‮‭۸۵/۰‬ و ‮‭۸۷/۰‬ حاصل شد .میانگین وزنی دقت کلی مدل، برای پنج گروه برابر ‮‭۵۶/۸۸‬ درصد حاصل شد

Internal quality of watermelon have very important role in commerce it. Some of the effective parameters in watermelon sorting are, ripeness, hollowness and desease. Recognize these parameters from external indications is impossible. In this research an intelligent system was developed to separate nondestructively crimson sweet variety of watermelon to different groups depend on their internal quality based on acoustic and artificial neural network (ANNs) techniques. This system includes an acoustic box, impactor, microphone and digital processing software. Features of watermelons were extracted from analysis of sound signal in both time and frequency domains by means of fast fourier transform(FFT), power spectrul density(PSD) and principal component analysis(PCA) methods. Different ANN architectures, each having different numbers of neurons in hidden layer, were evaluated to develope best ANN models. After several evaluations, the optimal model with 20-45-5 configrations was selected. CRS of optimal ANN models for five watermelons groups, unriped, somedeal riped, riped, hollowheart-overriped disease were 91.54 , 98.46 , 85.34 , 82.31 and 84.61 and MSE were 0.029, 0.018, 0.047, 0.045 and 0.039 respectively. Net weight average of system accuracy for all groups was found to be 88.56 .

Watermelon

Acoustic

Artificial neural networks

Nondestructive method

classification

Sorting

Principle component analysis

کرملاچعب، حمید

محمودی،اصغر، استاد راهنما

حسین پور داش آتان، عادل، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی