page contents google-site-verification=IMPxc80Ko8aMAqomw3axo11WILpmIE0RjwZ5gz4rwdA
ORCID iD iconhttps://orcid.org/0000-0002-3006-8220

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 استادیار گروه مهندسی مواد و طراحی کارخانجات صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 دانش آموخته کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد سبزوار

چکیده

در این پژوهش، امکان استفاده از پردازش صدای برخورد در حوزه موجک گسسته و شبکه عصبی مصنوعی جهت جدا‌‌سازی فندق‌‌‌ها‌‌ی درشت، متوسط و ریز و نیز جدا‌‌سازی انواع مغز‌دار و پوک، بررسی شده‌است. ابتدا فندق‌‌‌ها بر اساس اندازه به سه گروه درشت، متوسط و ریز تقسیم شدند. فندق‌‌ها‌‌‌ی هر گروه وزن شدند تا انواع مغز‌دار و پوک از یکدیگر تفکیک شوند. سپس به منظور نمونه‌‌‌برداری، تمامی دانه‌‌ها از ارتفاع 40 و 50 سانتی‌متری رها شدند و با صفحه فلزی برخورد کردند. صدای برخورد، توسط میکروفن ضبط گردید. سیگنال‌ها پس از پیش‌پردازش، در حوزه موجک گسسته پردازش شده و مشخصات بدست آمده، به عنوان ورودی شبکه عصبی مصنوعیبکارگرفته شدند. شبکه‌‌‌ها‌‌ی عصبی با 3 و 9 نورون در لایه پنهان، به ترتیب توانستند فندق‌‌‌ها‌‌یی که از ارتفاع 40 و 50 سانتی‌متری رها شده بودند را با دقت 100درصد، از یکدیگر تفکیک کنند. همچنین فندق‌‌‌ها‌‌ی مغزدار و پوک گروه درشت، متوسط و ریز به طور جداگانه به ترتیب با دقت‌‌‌ها‌‌ی 100، 99/16 و 98 درصد برای ارتفاع 40 سانتی‌‌متری و 100، 99/66 و 97/5 درصد برای ارتفاع 50 سانتی‌‌متری جدا گردیدند. نتایج حاصل از این تحقیق در ترکیب با رو‌ش‌‌‌ها‌‌ی متداول جدا‌‌سازی فندق، می‌‌‌تواند علاوه بر افزایش دقت و سرعت جدا‌سازی، باعث کاهش آسیب‌‌‌دیدگی آنها گردد.

کلیدواژه‌ها

رستمی، ا.، غضنفری مقدم، ا.، طالبی، س. و سجادی، س. ج. 1387. تشخیص پسته‌‌ها‌‌ی پوک از مغز‌دار با استفاده از انعکاس و پردازش صدا در دو حوزه زمان و فرکانس. مجله تحقیقات مهندسی کشاورزی، 9: 123-134.

سجادی، س.، ج. غضنفری مقدم، ا. و رستمی، ا. 1388. ارزیابی یک سیستم هوشمند برای جدا‌‌سازی پسته با استفاده از شبکه‌‌ها‌‌ی عصبی مصنوعی (ANN) و تبدیل موجک انعکاس صدا. مجله مهندسی بیو‌سیستم ایران، 40: 155-161.

Cetin, A., Pearson, T. & Tewfik, A. 2004. Classification of closed-and open-shell pistachio nuts using voice-recognition technology. Transactions-American Society of Agricultural Engineers, 47: 659-664.

De Belie, N., Schotte, S., Lammertyn, J., Nicolai, B. & De Baerdemaeker, J. 2000. PH—postharvest technology: firmness changes of pear fruit before and after harvest with the acoustic impulse response technique. Journal of Agricultural Engineering Research, 77: 183-191.

Diezma-Iglesias, B., Ruiz-Altisent, M. & Barreiro, P. 2004. Detection of internal quality in seedless watermelon by acoustic impulse response. Biosystems Engineering, 88: 221-230.

Ehrentreich, F. 2002. Wavelet transform applications in analytical chemistry. Analytical and Bioanalytical Chemistry, 372: 115-121.

Haykin, S. 1994. Neural networks: a comprehensive foundation, Prentice Hall PTR.

Kalkan, H., Ince, N. F., Tewfik, A. H., Yardimci, Y. & Pearson, T. 2008. Classification of hazelnut kernels by using impact acoustic time-frequency patterns. EURASIP Journal on Advances in Signal Processing, 2008: 1-11.

Khalifa, S. & M. H. Komarizadeh. 2012. An intelligent approach based on adaptive neuro-fuzzy inference systems (ANFIS) for walnut sorting. Australian Journal of Crop Science, 6: 183-187.

Khalifa, S., Komarizadeh, M. H., Tousi, B. & Nikbakht, A. M. 2011. An intelligent system for grading walnuts based on acoustic emission and neural networks. Journal of Food, Agriculture & Environment, 9: 109-112.

Omid, M., Mahmoudi, A. & Omid, M. H. 2009. An intelligent system for sorting pistachio nut varieties. Expert Systems with Applications, 36: 11528-11535.

Onaran, I., Ince, N. F., Tewfik, A. H. & Cetin, A. E. 2007. A signal representation approach for discrimination between full and empty hazelnuts. EURASIP Journal on Advances in Signal Processing, 22: 2464-2468.

Pearson, T. 2001. Detection of pistachio nuts with closed shells using impact acoustics. Applied Engineering in Agriculture, 17: 249-253.