ایمان ذباح؛ زهرا حیدران داروقه امنیه؛ بهناز بهزادیان؛ رویا رضایی
چکیده
ایران بزرگترین تولیدکنندۀ زعفران در جهان است. زعفران دارای اهمیت بالای اقتصادی است و به دلیل افزایش فعالیت رقبای صادراتی، نیازمند حمایت و گسترش و توسعۀ صادرات است. روند رو به رشد سهم صادرات زعفران از یکسو و درآمدزایی و کارآفرینی برای روستاییان کشور از سوی دیگر، لزوم توجه به این محصول را دوچندان میکند. رقابت در این عرضه و با وجود ...
بیشتر
ایران بزرگترین تولیدکنندۀ زعفران در جهان است. زعفران دارای اهمیت بالای اقتصادی است و به دلیل افزایش فعالیت رقبای صادراتی، نیازمند حمایت و گسترش و توسعۀ صادرات است. روند رو به رشد سهم صادرات زعفران از یکسو و درآمدزایی و کارآفرینی برای روستاییان کشور از سوی دیگر، لزوم توجه به این محصول را دوچندان میکند. رقابت در این عرضه و با وجود رقبای قدرتمند در گرو مکانیزه کردن فرایندهای کاشت تا برداشت و درجهبندی تا بستهبندی امکانپذیر خواهد بود. بنابراین، ارزیابی ویژگیهای ظاهری زعفران به منظور درجهبندی صحیح نیاز اساسی محسوب میشود. در پژوهش حاضر، ویژگیهای ظاهری با هدف درجهبندی زعفران با استفاده از روشهای مختلف هوش مصنوعی شامل شبکههای عصبی مصنوعی پرسپتورن چند لایه (MLP)، (LVQ)، شبکه عصبی غیر نظارت شده (SOM)، سیستمهای فازی (FNN) و سیستم استنتاج فازی عصبی (ANFISS) بررسی شده است. پایگاه داده مورد مطالعه مربوط به 113 نمونه زعفران است که در 4 طبقه زعفران پوشال (نگین)، پوشال درجه 2 (خوب)، پوشال درجه سه (معمولی) و پوشال درجه چهار (ضعیف) که محققان این پژوهش آنها را گردآوری کردهاند. نتایج تحلیل نشان میدهد که درجهبندی زعفران با در نظر گرفتن شرایط عدم قطعیت در مدل ANFIS نسبت به دیگر روشها بهتر است، به طوری که دقت طبقهبندی 5/97 درصد و میزان خطای 3484/0 در تشخیص نمونههای آزمون به دست آمد.
علی رشادصدقی؛ اصغر محمودی؛ فرید بجایی
چکیده
هدف از این تحقیق، دستیابی به یک فناوری با کارآیی بالا و کمهزینه، برای درجهبندی غیر مخرب بادام به صورت زمان واقعی است. برای نیل به این هدف، نمونۀ آزمایشگاهی یک سامانۀ درجهبندی ضربه-صوتی هوشمند و خودکار مرکب از واحد تغذیه، واحد تشخیص آکوستیک و جداکنندة نیوماتیکی محصول به همراه سامانۀ کنترلکنندۀ الکترونیکی ساخته شد. در ارزیابی ...
بیشتر
هدف از این تحقیق، دستیابی به یک فناوری با کارآیی بالا و کمهزینه، برای درجهبندی غیر مخرب بادام به صورت زمان واقعی است. برای نیل به این هدف، نمونۀ آزمایشگاهی یک سامانۀ درجهبندی ضربه-صوتی هوشمند و خودکار مرکب از واحد تغذیه، واحد تشخیص آکوستیک و جداکنندة نیوماتیکی محصول به همراه سامانۀ کنترلکنندۀ الکترونیکی ساخته شد. در ارزیابی سامانۀ مزبور برای طبقهبندی ارقام بادام در سه کلاس سنگی، نیمهکاغذی و کاغذی، سیگنال صوتی حاصل از برخورد هستۀ بادام با صفحۀ فولادی، با میکروفون دریافت و ویژگیهایی نظیر دامنه، فاز و چگالی طیف توان پس از پردازش سیگنالها در حوزۀ زمان و با تبدیل فوریه سریع (FFT) در حوزۀ فرکانس استخراج شد. در کلیۀ آزمایشها، از شبکههای عصبی نوع پرسپترون چندلایه (MLP) با الگوریتم پس انتشار خطا و تابع یادگیری LM استفاده گردید. در طبقهبندی ارقام بادام بهحالت برونخط، میانگین دقت طبقهبندی با دادههای اعتبار سنجی 2/96 درصد به دست آمد که این میزان دقت در طبقهبندی برخط، به حدود 88 درصد کاهش یافت. علت احتمالی کاهش دقت در طبقهبندی، تأثیر پراکندگی اندازه یا اختلاف جرم بین نمونههای بادام در هریک از کلاسهای سنگی و نیمهکاغذی بوده است.