۵۴۴۲پ
per
ارزیابی آزمایشگاهی دقیق‌کارها با استفاده از روش صوتی
/هادی کریمی
تبریز : دانشگاه تبریز ، دانشکده کشاورزی
۸۶ ص
چاپی
کارشناسی ارشد
مکانیزاسیون کشاورزی
۱۳۹۱/۰۶/۲۰
تبریز : دانشگاه تبریز ، دانشکده کشاورزی
افزایش دقت فاصله‌گذاری بین بذرها تأثیر معنی‌داری بر کیفیت و بازدهی محصولات کشاورزی دارد .لازمه این امر توسعه روش‌های سریع و قابل اطمینان برای سنجش دقت توزیع بذر در ارزیابی آزمایشگاهی دقیق‌کارها است .در این تحقیق یک تکنیک صوتی جدید برای سنجش میزان یکنواختی فواصل بین بذرها و برآورد شاخص‌های عملکردی دقیق‌کارها به‌صورت آنلاین معرفی شده است .برای ارزیابی این تکنیک از بذرهای گوجه فرنگی پوشش‌دار، گندم و ذرت دانه‌ای به عنوان ماده آزمایشی استفاده گردید .الگوهای مختلف بذر با محدوده‌های فاصله‌ای مختلف به صورت دستی روی سیستم تسمه جاگذاری شدند .با حرکت تسمه بذرهای سقوط کرده از انتهای تسمه به ترتیب به صفحه‌ای فولادی برخورد کرده و صدای حاصله از برخورد، توسط میکروفن ثبت می‌شد .در هر برخورد صدای بذر مورد پردازش و فاصله آن نسبت به بذر قبلی حاصل می‌شد .براساس نتایج آنالیز رگرسیون برای تمام نمونه‌ها، همبستگی ۹۹ درصدی بین فواصل روی تسمه و فواصل اندازه‌گیری شده به وسیله سیستم صوتی بدست آمد .همچنین یک سیستم هوشمند بر پایه سیگنال‌های صوتی برای شناسایی بذرهای آسیب دیده پایه‌گذاری شد .برای توسعه شبکه عصبی مصنوعی ۲۰۰۰ داده صوتی از بذرهای آسیب دیده و سالم گوجه‌فرنگی پوشش‌دار جمع‌آوری گردید .سیگنال‌های صوتی بدست آمده پیش پردازش و ویژگی‌های بالقوه آن در حوزه زمان و فرکانس با استفاده از تبدیل سریع فوریه ۱۰۲۴ نقطه‌ای استخراج گردید .با استفاده از پارامترهای آماری) مینیمم، ماکزیمم، میانه، میانگین و واریانس (برای هر ستون از ویژگی‌های دامنه، چگالی طیف توان و فاز، تعداد داده‌های مربوط به یک سیگنال به ۱۵ عدد کاهش پیدا کرد .در فرآیند انتخاب مدل مناسب برای شبکه‌های عصبی، چندین ساختار شبکه که هر کدام تعداد نرون‌های متفاوتی در لایه مخفی داشتند مورد ارزیابی قرار گرفت و مدل بهینه بر پایه کمترین مربعات خطا، نرخ شناسایی و ضریب همبستگی با ساختار۱۵ -۱۷- ۲انتخاب گردید .نرخ شناسایی شبکه پیشنهادی برای بذرهای سالم و بذرهای آسیب دیده به ترتیب ۴۹/۹۹ و۱۰۰درصد حاصل شد .در نهایت با توجه به نتایج حاصله توانایی سیستم صوتی در ارزیابی آزمایشگاهی دقیق‌کارها بالا ارزیابی شد
Enhancing seeds spacing accuracy results significant effect in quality and yield of agriculture production. A requirement for achieving to this goal is the fast and dependable evaluation of distribution accuracy in laboratory evaluation of precision planters. Researchers and Planter manufacturers have been working closely to develop an automated system for evaluating performance of seed metering mechanism. In the present research, a new online acoustical technique for evaluating seed spacing uniformity and precision planter performance is described. To evaluate the system typical seed patterns were poisoned manually on the belt stand with different spacing ranges. When the belt was run, the falling seeds from the end point of the belt impacted to a steel plate, and their acoustic signal sensed by microphone. In each impact, data was processed and spacing between the seeds was obtained. Three kinds of seeds including wheat, corn and pelleted tomato were used as experiment material. Results showed that, the acoustical system worked well in determining the seeds spacing, and this system did not miss any seed. Furthermore, feasibility of laboratory detection of damaged seeds in precision planters caused by malfunction of seed metering device was investigated. An acoustic-based intelligent system was developed for detection of damaged pelleted tomato seeds. To improve the Artificial Neural Network (ANN) models 2000 damaged and undamaged pelleted tomato seeds sound signals were recorded. Achieved acoustic signals, were processed and potential features were extracted from the analysis of sound signals in time and frequency domains. The method is based on feature generation by Fast Fourier Transform (FFT), feature selection by statistical methods and classification by Multilayer Feed forward Neural Network. Features such as amplitude, phase and power spectrum of sound signals were computed through a 1024-point FFT. By using statistical factors (maximum, minimum, median, mean and variance) for each vector of data, feature vector was reduced to 15 factors. In developing the ANN models, several ANN architectures, each having different numbers of neurons in hidden layer, were evaluated. The best model was chosen after a number of evaluations based on minimizing the mean square error (MSE), correct detection rate (CDR) and correlation coefficient (r). Selected ANN, 15-17-2 was configured for classification. CDR of the proposed ANN model for undamaged and damaged seeds was 99.49 and 100 respectively. MSE of the system was found to be 0.0109. Overall, the results indicate that acoustical system has high Capability in laboratory evaluation of precision planters
Precision planters, Acoustic system, Belt stand
neural networks
seed metering mechanism
damaged seeds
Seed spacing
کریمی، هادی
نوید،حسین، استاد راهنما
محمودی، اصغر، استاد راهنما
سیاه و سفید
نمایه‌سازی قبلی
