| تعداد نشریات | 287 |
| تعداد نشریات سازمان | 85 |
| تعداد شمارهها | 3,159 |
| تعداد مقالات | 35,108 |
| تعداد مشاهده مقاله | 50,532,328 |
| تعداد دریافت فایل اصل مقاله | 90,480,930 |
تشخیص پستههای پوک از مغزدار با استفاده از انعکاس و پردازش صدا در دو حوزه زمان و فرکانس | ||
| تحقیقات مهندسی سازه های آبیاری و زهکشی | ||
| مقاله 8، دوره 9، شماره 3، آذر 1387، صفحه 123-134 اصل مقاله (266.63 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| امین رستمی1؛ احمد غضنفری مقدم* 2؛ سیامک طالبی3؛ سید جواد سجادی4 | ||
| 1کارشناس ارشد | ||
| 2دانشیار دانشگاه شهید باهنر کرمان | ||
| 3استادیار دانشگاه شهید باهنر کرمان | ||
| 4دانشجوی کارشناسی ارشد دانشگاه شهید باهنر کرمان. | ||
| چکیده | ||
| پسته مهمترین محصول صادراتی غیر نفتی ایران محسوب میشود؛ وجود پستههای پوک در میان پستههای مغزدار، باعث افت کیفیت و قیمت محصول میشود. در پایانههای فراوری پسته، معمولاً پستههای پوک را از پستههای مغزدار با روش شناوری در آب یا با استفاده از دستگاههای مکانیکی جدا میکنند که روشهای مکانیکی دقت بالایی ندارند و روش شناوری نیز احتمال انتقال قارچ را از پستههای آلوده به پستههای غیر آلوده بالا میبرد. در مقالة حاضر روشی مبتنی بر آنالیز انعکاس صدای برخورد پسته با صفحهای فولادی در دو حوزة زمان و فرکانس پیشنهاد شده است. برای این کار، دستگاهی مرکب از یک جعبة آکوستیک متصل به رایانة شخصی تهیه شد. ابتدا نمونههایی از دانههای پسته بر اساس اندازه به سه گروه درشت، متوسط، و ریز تفکیک و سپس هر گروه بر اساس وزن به دو گروه پوک و مغزدار تقسیم شد. انعکاس صدای هر برخورد از طریق میکروفن به رایانه منتقل و در دو حوزة زمان و فرکانس آنالیز شد. شناسایی رایانهای بر اساس روش نزدیکترین فاصله به میانگین صورت گرفت. بهترین نتایج برای گروه درشت بهدست آمد. در این جداسازی دقت 75/98 درصد برای تشخیص پستههای درشت پوک و 50/82 درصد برای تشخیص پستههای درشت مغزدار بهدست آمد. نتایج به دست آمده از دقت تشخیص برای گروههای دیگر نیز نسبتاً مناسب بود. حداقل دقت جداسازی برای دانههای متوسط مغزدار، معادل 75/62 درصد بهدست َآمد. | ||
| کلیدواژهها | ||
| آکوستیک؛ پردازش صدا؛ پسته پوک؛ پسته مغزدار؛ جداسازی | ||
| مراجع | ||
|
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 Belie, N., Schotte, S., Lammeryn, J., Nicolai, B. and De Baerdemaeker, J. 2000. Firmness changes of fruit before and after harvest with the acoustic impulse response technique. J. Agric. Eng. Res. 77 (2): 183-191.
Diezma Iglesias, B., Ruiz-Altisent, M. and Barreiro, P. 2004. Detection of quality inseedlessWatermelon by acoustice impulse response. Bio. Eng. 88(2): 221-23.
Ghazanfari, A. and Irudayaraj, J. 1996. Grading pistachio nuts using a neural network approach. Trans. ASAE. 39(6): 2319-2324.H
Kashaninejad, M., Mortazavi, A., Safekordi, A. and Tabil, L. G. 2006. Some physical properties of pistachio (Pistacia vera L.) nut and its kernel. J. Food Eng. 72, 30-38.
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. Bio. 3, 371-376.
Pearson, T. C. 2001. Detection of pistachio nuts with closed shells using impact acoustics. Appl. Eng. Agric. 17, 249-253.
Pearson, T. C. and Slaughter, D. C. 1996. Machine Vision detection of early split pistachio nuts. Trans. ASAE. 39(3): 1203-1207.
Pearson, T. C., Cetin, A. E. and Tewfik, A. H. 2005. Detection of insect damaged wheat kernels by impact acoustics. IEEE International Conference on Acoustics, Speech, and Signal Processing. ICASSP. 5, 649-652.
Polat, R., Gezer, I., Guner, M., Dursun, E., Edogan, D. and Bilim, H. C. 2007. Mechanicalharvesting of pistachio nuts. J. Food Eng. 79, 1131-1135.
Proakis, J. G. and Manolakis, D. G. 1996. Digital Signal Processing. Prentice Hall, Inc. New Jersey. USA.
Rostami, A. 2007. Distinguishing blank from kernelled pistachio nuts by impact acoustics in time and frequency domain. M.Sc. Thesis. Dep. Agricultural Machinery Shahid Bahonar University. Kerman. Iran. (in Farsi) | ||
|
آمار تعداد مشاهده مقاله: 921 تعداد دریافت فایل اصل مقاله: 409 |
||