این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۴۹، شماره ۳، صفحات ۳۷۹-۳۹۴
عنوان فارسی دسته‌بندی هوشمند هندوانه‌ی رقم چارلستون‌گرِی بر اساس میزان رسیدگی با استفاده از پردازش سیگنال‌های آکوستیک
چکیده فارسی مقاله با توجه به بحران آب موجود در سطح کشور و فرایند آبیاری سنتی هندوانه، امکان کاهش کاشت و در نتیجه افزایش قیمت این محصول در سال‌های آتی وجود دارد که این امر ضرورت تعیین شاخص‌هایی برای انتخاب هندوانه‌ی با کیفیت را پر رنگ‌تر می‌کند. هدف از انجام این پژوهش دسته‌بندی هندوانه‌ی رقم چارلستون‌گری به کلاس‌های نارس، رسیده و بیش‌رس است که در این راستا از پردازش سیگنال‌های آکوستیک و الگوریتم‌های داده‌کاوی و تکنیک‌های هوش مصنوعی بهره گرفته شده است. پس از تهیه‌ی نمونه‌ها، ابتدا سیگنال‌های صوتی از موقعیت‌های مختلف هندوانه به وسیله‌ی یک ضربه‌زن مجهز به سلونوئید اخذ و سپس با انجام ارزیابی‌های حسی کلاس نمونه‌ها تعیین شد. روش‌های پردازش سیگنال در حوزه زمان، حوزه‌ی فرکانس و پردازش به کمک تبدیل موجک برای استخراج ویژگی‌های با اهمیت از سیگنال‌های صوتی هندوانه‌ها مورد استفاده قرار گرفته و با استفاده از آزمون t تعدادی از ویژگی‌هایی که در تمایز کلاس‌ها معنی‌دار بودند انتخاب شدند. از الگوریتم‌های ماشین بردار پشتیبان و K همسایگی نزدیک برای دسته‌بندی نمونه استفاده گردید. در مجموع 52 درصد از کل نمونه‌ها به‌صورت صحیح توسط کارشناسان خبره دسته‌بندی شدند. برای ساچمه‌ی فلزی، الگوریتم SVM، با تابع هسته‌ی درجه‌ی 3 برای سیگنال‌های صوتی مستخرج از موقعیت وسط، دقت 78 درصد و برای سیگنال‌های صوتی مستخرج از موقعیت ساقه با تابع هسته گاوسی دقت 75 درصد را حاصل کرد. بهترین دسته‌بندی با مقدار 79 درصد برای جنس ساچمه‌ی فلزی و موقعیت سمت ساقه با الگوریتم دسته‌بند KNN و متریک فاصله‌ی کسینوسی حاصل شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Intelligent Classification Of Charleston Gray Watermelon Variety Based On Fruit Ripeness Using Acoustic Signal Processing
چکیده انگلیسی مقاله According to the water crisis in the country and watermelon traditional irrigation process, it is possible to reduce planting and consequently increase the price of this product in the coming years, which highlights the necessity of indices for choosing high-quality watermelons. The purpose of this study is classification of the Charleston Gray watermelon variety into unripe, ripe and overripe classes, in this regard acoustic signals processing, data mining algorithms, and artificial intelligence techniques have been used for this purpose. After preparing the samples, firs through a capacitive microphone, signals acquired from different positions of watermelon using a solenoid and then, samples classes were determined by performing sensory evaluations. Signal processing techniques in time, frequency, processing domains and wavelet transformation were used for extraction of important features from acoustic signals of the watermelons, then some of the features that were significant in classification were selected using the t-test. Support Vector Machines and K Nearest Neighbor algorithms were used for sample classification. Totally 52% of the samples were classified correctly by experts. For metal ball, SVM algorithm with cubic kernel function resulted 78% correctly classification for acoustic signals obtained from middle position and Gaussian kernel function resulted 75% correctly classification for signals obtained from stem side position. K Nearest Neighbor algorithm equipped with the cosine distance resulted highest samples classification with a precision of 79% for the metal ball and the position of the stem side.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیر علی‌پسندی |
دانشجوی دکتری، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

اصغر محمودی |
دانشیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

حسین بهفر |
استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

نشانی اینترنتی https://ijbse.ut.ac.ir/article_68259_60638af6decfba6c75a2d91475fdd94a.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1228/article-1228-1022232.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات