| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,094 |
| تعداد مقالات | 34,533 |
| تعداد مشاهده مقاله | 49,386,615 |
| تعداد دریافت فایل اصل مقاله | 79,836,824 |
سیستم هوشمند جداسازی زمان واقعی پستههای خندان و ناخندان با تلفیق تکنیکهای صوتی و شبکه عصبی مصنوعی | ||
| تحقیقات مهندسی صنایع غذایی | ||
| مقاله 2، دوره 10، شماره 4، اسفند 1388، صفحه 13-24 اصل مقاله (393.28 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمود امید* 1؛ اصغر محمودی2؛ مهدی علی اکبری3؛ اسدالله اکرم4 | ||
| 1دانشیار گروه مکانیک ماشینهای کشاورزی دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران | ||
| 2استادیار گروه مکانیک ماشینهای کشاورزی دانشگاه تبریز | ||
| 3دانشجوی سابق کارشناسیارشد | ||
| 4استادیار 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. | ||
| عنوان مقاله [English] | ||
| An ANN and Acoustic-Based Machine for Sorting Pistachio Nuts | ||
| چکیده [English] | ||
| In this study, an intelligent system for sorting closed shell and open shell pistachio nuts, was designed and developed based on combined acoustic and artificial neural network (ANN) techniques. The system included a microphone, PC, material handling equipment and an air reject pneumatic mechanism. The microphone, placed under the steel plate, received sound signals generated by the pistachio nut impact and measured the features extracted from the sound signals of the closed and open shelled nuts. The system was evaluated using the Kaleghouchi variety of pistachio nut. Features necessary for identification were extracted from the analysis of the sound signals in the time and frequency domains by means of fast fourier transform (FFT), power spectral density (PSD) and principle component analysis (PCA). Finally, using PCA, seven features were isolated to separate the pistachio nuts, such as a 99.73% reduction in features. More than 40 different ANNs topologies, each having different numbers of neurons in their hidden layers, were designed and evaluated. The optimal model was selected after several evaluations that minimized mean square error (MSE) and correct separation rate (CSR). The optimal ANN model for this system was a 7-12-2 configuration. The total system accuracy (CSR) for the three pistachio split types (closed shell, open shell and thin split) were 96.7%, 97.3% and 93.1%, respectively. | ||
| کلیدواژهها [English] | ||
| Acoustic, ANN, FFT, PCA, pistachio, Pneumatic, Separation | ||
| مراجع | ||
|
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. | ||
|
آمار تعداد مشاهده مقاله: 999 تعداد دریافت فایل اصل مقاله: 1,437 |
||