سیستم هوشمند جداسازی زمان واقعی پسته‌های خندان و ناخندان با تلفیق تکنیک‌های صوتی و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه مکانیک ماشین‌های کشاورزی دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران

2 استادیار گروه مکانیک ماشین‌های کشاورزی دانشگاه تبریز

3 دانشجوی سابق کارشناسی‌ارشد

4 استادیار گروه مکانیک ماشین‌های کشاورزی دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران

چکیده

در این تحقیق با تلفیق تکنیک‌های صوتی و شبکة عصبی مصنوعی،یک دستگاه هوشمند برای جداسازی پسته‌های خندان از ناخندان طراحی و پیاده‌سازی شد.  این سیستم شامل سه بخش تغذیه، تشخیص صوتی، و حذف پسته معیوب (ناخندان) به کمک یک سیستم نیوماتیکی است. صفات پسته‌های خندان و ناخندان، ناشی از برخورد هر یک به صفحة فولادی، توسط یک میکروفون که در زیر صفحه تعبیه شده، اندازه‌گیری و برای ذخیره و پردازش‌‌های بعدی از طریق کارت صدا به کامپیوتر منتقل می‌شود.  برای ارزیابی سیستم، از پستة رقم کله‌قوچی استفاده شد.  پسته­های مذکور توسط سیستم تغذیه تک تک روی صفحة فلزی سقوط می­کنند.  با محاسبة دامنة سیگنال در حوزة زمان و فاز و چگالی طیف توان (انرژی سیگنال) سیگنال صوتی حاصل از مولفه‌های تبدیل فوریه سریع در حوزة فرکانس، صفات لازم برای بردار ورودی شبکة عصبی به دست آمد. به کمک روش آماری تجزیه به مولفه اصلی، هفت مولفه از کل 2548 مولفه (با 73/99 درصد کاهش صفات) برای جداسازی پسته‌های خندان از ناخندان انتخاب شد.  بیش از 40 شبکه عصبی، هرکدام با تعداد نرون­های مختلف در لایۀ مخفی برای تعیین ساختار بهینه، آموزش داده شدند.  برای تعیین تعداد بهینه نرون­ها در لایة مخفی، کمترین میانگین مربع خطا شبکه برای داده­های اعتبارسنجی در نظر گرفته شد.  در نهایت مدل بهینه شبکه عصبی با ساختار 2-12-7  به دست آمد. درصد جداسازی صحیح (CSR) یا دقت این سیستم در جداسازی پسته‌های خندان، ناخندان و نیمه خندان پسته رقم کله‌قوچی به‌ترتیب 3/97، 7/96 و 1/93 درصد است.

کلیدواژه‌ها


Aliakbari, M. 2009. Development and Testing of Feeder Unit for Pistachio Sorting Machine. M. Sc. Thesis. Department of Agricultural Machinery. University of Tehran. Karaj. Iran.

Amoodeh, M. T., Khoshtaghaza, M. H. and Minaei, S. 2006. Acoustic on-line grain moisture meter. Computers and Electronics in Agriculture. 52, 71–78.

Cetin, A. E., Pearson, T. C. and Tewfik, A. H. 2004. Classification of closed and open shell pistachio nuts using voice recognition technology. Trans. ASAE. 47(2): 659-664.

De Ketelaere, B., Coucke, P. and Baerdemaeker, J. 2000. Eggshell crack detection based on acoustic resonance frequency analysis. J. Agric. Eng. Res. 76(2): 157-163.

Garsia-Ramos, F. J., Ortiz-Canavate, J., Ruiz-Altisent, M., diez, J., Flores, L., Homer, I. and Chavez, J. M. 2003. Development and implementation of an on–line impact sensor for firmness sensing of fruits. J. Food Eng. 58, 53-57.

Ghazanfari, A., and Irudayaraj, J. 1996. Classification of pistachio nuts using a string matching technique. Trans. ASAE. 39(3):1197-1202.

Ghazanfari, A., Irudayaraj, J. and Kusalik, A. 1996. Grading pistachio nuts using a neural networks approach. Trans. ASAE. 39(6):2319-2324.

Haykin, S. 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall. New Jersey.

Mahmoudi, A., Omid, M., Aghagolzadeh, A. and Borghayee, A. M. 2006. Grading of Iranian's export pistachio nuts based on artificial neural networks. Int. J. Agric. Biology. 8(3): 371-376.

Pearson, T. C. 2001. Detection of pistachio nuts with closed shells using impact acoustics. Appl. Eng. Agric. 17(2): 249- 253.

Rumelhurt, D. E., Hinton, G. E. and Williams, R. J. 1986. Learning internal representations by back-propagation errors. Nature. 322, 533-536.