نوع مقاله: مقاله پژوهشی

نویسندگان

استادیار، گروه مکانیک بیوسیستم، دانشگاه اراک، اراک

چکیده

امروزه استفاده از سیستم‏های نوینی که قادر به اندازه‏گیری غیرمخرب ویژگی‏های کیفی محصولات غذایی بوده و قابلیت نصب روی خطوط درجه‏بندی را دارند، از اهمیت به‏سزایی برخوردار است. تحلیل پاسخ آکوستیکی یکی از شیوه‏های غیرمخرب اندازه‏گیری ویژگی‏های کیفی میوه‏ها بشمار می‏آید. در این پژوهش، بررسی امکان استفاده از تحلیل پاسخ آکوستیکی در طبقه‏بندی سیب رددلیشز صورت گرفته است. در این پژوهش، تبدیل موجک گسسته با استفاده از موجک دابوچی چهار در سه سطح، روی سیگنال‏های صدای حاصل از ضربه به سیب‏ها در دو حوزۀ زمان و فرکانس برای استخراج ویژگی‏های مناسب اعمال شد. توابع آماری بیشینه، کمینه، میانگین، انحراف معیار، انرژی، کشیدگی، چولگی و ممان سوم به‌عنوان ویژگی‏ استخراج شدند. با استفاده از الگوریتم شبکۀ عصبی پرسپترون چندلایه، طبقه‏بندی سیب‏ها براساس تغییرات پاسخ آکوستیکی در دورۀ نگهداری انجام گرفت. نتایج نشان داد که شبکۀ مصنوعی با ساختار 2-1-4 در حوزۀ زمان بهترین عملکرد را داراست. میانگین صحت طبقه‌بندی برای شبکۀ مذکور 82/1 درصد و شاخص میانگین همساز دقت و حساسیت (Fβ) نیز 0/81 به‌دست آمد.

کلیدواژه‌ها

وشنام، ف.، مبلی، ح.، حسن‌بیگی بیدگلی، ر.، رفیعی، ش.، رجبی‏پور، ع. و ایوانی، الف. 1391. تشخیص رسیدگی خربزه با روش غیرمخرب پاسخ آکوستیکی. مجله تحقیقات مهندسی کشاورزی، 13(3):89 - 102.

سعادتی‌نیا، م.، عمادی، ب. و صدرنیا، ح. 1389. تعیین رسیدگی میوۀ هندوانه مبتنی بر روش‏های آکوستیکی. مجموعۀ مقالات اولین همایش ملی مکانیزاسیون و فناوری‌های نوین در کشاورزی، 20-18 اسفند ماه، موسسه عالی سیمای دانش، اهواز.

عیسی‌زاده، ت.، حاجی‌آقاعلیزاده، ح.، احمدی، الف. و امیری چایجان، ر. 1391. پیش‌بینی سفتی میوۀ سیب در طول دورۀ انبارداری با استفاده از شبکه‏های عصبی مصنوعی. مجموعۀ مقالات هفتمین کنگرۀ ملی مهندسی ماشین‏های کشاورزی و مکانیزاسیون، 16-14 شهریور ماه، دانشگاه شیراز.

محمودی، الف.، جعفری، م.، رحمانیان، ن.، اکبریان میمند، م.ج. و وطن‏خواه، م. 1393. استفاده از فناوری انعکاس و پردازش صدا و شبکۀ عصبی مصنوعی در جداسازی فندق با اندازۀ مختلف. نشریه پ‍ژوهش و نوآوری در علوم و صنایع غذایی، 3 (4):297-306.

معلم، پ. و منجمی، الف.ح. 1386. معیاری تجربی برای تشخیص مناسب بودن استفاده از شبکۀ عصبی پرسپترون چندلایه جهت طبقه‏بندی الگوها. مجموعه مقالات اولین کنفرانس داده‏کاوی ایران، 30-29 آبان ماه، دانشگاه صنعتی امیرکبیر، تهران.

Choudhary, R., Mahesh, S., Paliwal, J., & Jayas, D.S. 2009. Identification of wheat classes using wavelet features from near infrared hyperspectral images of bulk samples. Biosystems Engineering, 102 (2):115-127.

Costa, F., Cappellin, L., Longhi, S., Guerra, W., Magnago, P., Porro, D., Soukoulis, C., Salvi, S., Velasco, R., Biasioli, F., & Gasperi, F. 2011. Assessment of apple (Malus× domestica Borkh.) fruit texture by a combined acoustic-mechanical profiling strategy. Postharvest biology and technology, 61(1):21-28.

De Belie, N., Schotte, S., Lammertyn, J., Nicolai, B., & De Baerdemaeker, J. 2000. Firmness changes of pear fruit before and after harvest with the acoustic impulse response technique. Journal of Agricultural Engineering Research, 77(2):183-191.

De Ketelaere, B., Howarth, M.S., Crezee, L., Lammertyn, J., Viaene, K., Bulens, I., & De Baerdemaeker, J. 2006. Postharvest firmness changes as measured by acoustic and low-mass impact devices: a comparison of techniques. Postharvest Biology and Technology, 41(3):275-284.

Diezma-Iglesias, B., Valero, C., García-Ramos, F.J., & Ruiz-Altisent, M. 2006. Monitoring of firmness evolution of peaches during storage by combining acoustic and impact methods. Journal of Food Engineering, 77(4):926-935.

Ebrahimi, E., & Mollazade, K. 2010. Integrating fuzzy data mining and impulse acoustic techniques for almond nuts sorting. Australian Journal of Crop Science, 4(5):353-358.

Ebrahimi, E., Astan, N., Mousavi, F., & Heydari, M. 2014. ANFIS-aided grading of almonds by using sound signals. Advances in Environmental Biology, 8(4):1046-1053

Feng, S., Chen, R., Lin, J., Pan, J., Chen, G., Li, Y., Cheng, M., Huang, Z., Chen, J., & Zeng, H. 2010. Nasopharyngeal cancer detection based on blood plasma surface-enhanced Raman spectroscopy and multivariate analysis. Biosensors and Bioelectronics, 25(11):2414-2419.

Galili, N., & De Baerdemaeker, J. 1996. Performance of acoustic test methods for quality evolution of agricultural products. Proceeding of the ISMA Conference, 18-20 September, 1996. Leuven, Belgium.

Han, J., Kamber, M., & Pei, J. 2012. Data mining: concepts and techniques. Third edition. Morgan kaufmann Publishers. (An imprint of Elsevier.)

Hagan, M.T., Demuth, H.B., & Beale, M.H. 1996. Neural network design, Pws Pub. Boston.

Hernández Gómez, A., Garcia Pereira, A., Wang, J., & Yong, H. 2005. Acoustic testing for peach fruit ripeness evaluation during peach storage stage. Revista Ciencias Tecnicas Agropecuarias, 14(2):28- 34.

Hernández Gómez, A., Garcia Pereira, A., & Wang, J. 2006. Acoustic impulse response potential to measure mandarin fruit ripeness during storage. Revista Ciencias Tecnicas Agropecuarias, 15(4):24-30.

IEC 61094. 2000. Electroacoustics - Measurement microphones.

Jagannath, J.H., Das Gupta, D.K., Bawa, A.S., Sebastin, R., & Vishnu, B. 2005. Assessment of ripeness/damage in banana (Musa paradisiacal) by acoustic resonance spectroscopy. Journal of food quality, 28(3):267-278.

Jayas, D.S., Paliwal, J., & Visen, N.S. 2000. Multi-layer neural networks for image analysis of agricultural products. Journal of Agricultural Engineering Research, 77(2):119–128.

Khalifahamzehghasem, S., Komarizadeh, M.H., & Askari, M. 2012. Recognition of Fill Walnuts and Empty Walnuts Using Acoustic Signal Processing. International Journal of Agricultural and Biological Engineering, 5(3):1-6.

Lu, Q., Wang, J., Hernández Gómez, A., & Garcia Pereira, A. 2009. Evaluation of tomato quality during storage by acoustic impulse response. Journal of Food Processing and Preservation, 33(s1):356-370.

Madieta, E., L'Huillier, J.P., & Jourjon, F. 2004. Apple quality assessment: relationship between optical properties, mechanical measurements and acoustic measurements. Proceeding of the 5th International Postharvest Symposium, 6-11 June, 2004. Verona, Italy.

Oppenheim, A.V., Willsky, A.S., & Nawab, S.H. 1997. Signals and systems. Pearson.

Pathaveerat, S., Terdwongworakul, A., & Phaungsombut, A. 2008. Multivariate data analysis for classification of pineapple maturity. Journal of Food Engineering, 89(2):112-118.

Petrisor, C., Lucian-Radu, G., Balan, V., & Campeanu, G. 2010. Rapid and non-destructive analytical techniques for measurement of apricot quality. Romanian Biotechnological Letters, 15(2):5213-5216.

Rahimi, A., Banakar, A., Zareiforoush, H., Beygvand, M., & Montazeri, M. 2014. Classification of jujube fruits using different data mining methods. Researcher, 6(5):52-61.

Singh, C.B., Choudhary, R., Jayas, D.S., & Paliwal, J. 2010. Wavelet analysis of signals in agriculture and food quality inspection. Food Bioprocess Technology, 3(1):2–12.

Stark, H.G. 2005. Wavelets and signal processing: an application-based introduction. Springer Science & Business Media.

Tiplica, T., Vandewalle, P., Verron, S., Gremy-Gros, C. & Mehinagic, E. 2010. Identification of apple varieties using acoustic measurements. Proceeding of the 3rd International metrology conference CAFMET, 18-23 April. 2010. Cairo, Egypt.

Valente, M., Leardi, R., Self, G., Luciano, G., & Pain, J. P. 2009. Multivariate calibration of mango firmness using visible/NIR spectroscopy and acoustic impulse method. Journal of Food Engineering, 94(1):7-13.

Wang, J., Teng, B., & Yu, Y. 2004. Pear dynamic characteristics and firmness detection. European Food Research and Technology, 218(3):289-294.

Wang, J., Hernández Gómez, A., & Garcia Pereira, A. 2006. Acoustic impulse response for measuring the firmness of mandarin during storage. Journal of Food Quality, 29(4):392-404.