تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,397 |
تعداد دریافت فایل اصل مقاله | 15,216,948 |
طبقهبندی ارقام میوه خرما مبتنی بر کاربرد پاسخهای خازنی و مبدل نیرو | ||
مکانیزاسیون کشاورزی | ||
دوره 7، شماره 2، تیر 1401، صفحه 1-8 اصل مقاله (1.22 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jam.2022.15715 | ||
نویسندگان | ||
هادی کریمی* ؛ نجمه سلیمانی | ||
بخش تحقیقات فنی و مهندسی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان. ایران | ||
چکیده | ||
چکیده در بسیاری از نخلستانهای خرما، انواع مختلفی از میوههای خرما به طور معمول پرورش مییابند. هر کدام از این گونهها دارای خواص فیزیکی و شیمیایی متفاوتی هستند. بنابراین، در اولین گام توسعه سامانههای درجهبندی هوشمند و نظارت بر کیفیت، توسعه روشی خودکار برای شناسایی نوع رقم خرما بسیار مطلوب است. هدف این مطالعه توسعه الگوریتم طبقهبندی چهار رقم میوه خرما با استفاده از پاسخهای الکترونیکی حاصل از حسگرهای خازنی و یک مبدل نیرو است. برای به دست آوردن همزمان خواص خازنی شامل فرکانس و پاسخهای آنالوگ میوه خرما و پارامترهای نیروی مربوط به وزن میوه خرما، یک سکو الکترونیکی طراحی و ساخته شد. در این سکو، پاسخهای خازنی و پارامترهای نیرو با راهاندازی آی سی 555 و واسنجی کردن یک مبدل نیرو 1 کیلوگرمی فراهم میشد. 120 میوه خرما از چهار رقم مختلف زاهدی، قصب، مضافتی و مجول برای توسعه مدل در نظر گرفته شد. در مجموع 30 درصد از نمونهها برای ارزیابی طبقهبندی نهایی در نظر گرفته شدند. درخت تصمیم (DT) به عنوان یک روش یادگیری نظارتشده ناپارامتریک برای طبقهبندی انتخاب شد. برای تنظیم مدل طبقهبند با بهترین هایپرپارامترها، با برازش 3 تا (Fold) برای هر یک از 2204 نامزد، در مجموع 6612 برازش مورد بررسی قرار گرفت. ارزیابی مدل توسعهیافته منجر به کیفیت طبقهبندی با شاخص F به ترتیب 64، 80، 100 و 100 درصد برای چهار رقم زاهدی، قصب، مضافتی و مجول شد. نتایج نشان داد که سامانه طبقهبندی پایه خازنی توسعه یافته، میتواند با موفقیت برای طبقهبندی میوه خرما با کیفیت قابلقبول بهکار گرفته شود. | ||
کلیدواژهها | ||
واژه های کلیدی: خرما؛ خازن؛ مبدل نیرو؛ فرکانس؛ یادگیری ماشین | ||
مراجع | ||
Abdul-Hamid, N. A., Mustaffer, N. H., Maulidiani, M., Mediani, A., Ismail, I. S., Tham, C. L., . . . Abas, F. (2020). Quality evaluation of the physical properties, phytochemicals, biological activities and proximate analysis of nine Saudi date palm fruit varieties. Journal of the Saudi Society of Agricultural Sciences, 19(2), 151-160. Al-Janobi, A. (2010). A prototype mechatronic system for inspection of date fruits. 2, 2013. Al-Jasass, F. M., Siddiq, M., and Sogi, D. S. (2015). Antioxidants activity and color evaluation of date fruit of selected cultivars commercially available in the United States. Advances in Chemistry, 2015, 1-5. Behera, S. K., Rath, A. K., Mahapatra, A., Sethy, P. K. J. J. o. A. I., and Computing, H. (2020). Identification, classification & grading of fruits using machine learning & computer intelligence: a review. 1-11. Besharati, B., Lak, A., Ghaffari, H., Karimi, H., and Fattahzadeh, M. (2021). Development of a model to estimate moisture contents based on physical properties and capacitance of seeds. Sensors and Actuators A: Physical, 318, 112513. Bhargava, A., Bansal, A. J. J. o. K. S. U.-C., and Sciences, I. (2021). Fruits and vegetables quality evaluation using computer vision: A review. 33 (3), 243-257. Eoin, L. N. J. N. p. (2016). Systematics: blind dating. 2(5), 1-1. Ghelichkhani, M., Mahmoudi, A., and Nahandi, F. Z. (2014). Feasibility of applying acoustic and ANN in date separating. Hameed, K., Chai, D., Rassau, A. J. I., and Computing, V. (2018). A comprehensive review of fruit and vegetable classification techniques. 80, 24-44. Jahromi, M. K., Mohtasebi, S., Jafari, A., Mirasheh, R., & Rafiee, S. (2008). Determination of some physical properties of date fruit (cv. Mazafati). Journal of Agricultural Technology, 4 (2), 1-9. Karimi, H., Skovsen, S., Dyrmann, M., and Nyholm Jørgensen, R. (2018). A Novel Locating System for Cereal Plant Stem Emerging Points’ Detection Using a Convolutional Neural Network. Sensors, 18(5), 1611. Koklu, M., Kursun, R., Taspinar, Y. S., and Cinar, I. (2021). Classification of date fruits into genetic varieties using image analysis. Mathematical Problems in Engineering, 2021. Korkua, S. K., and Sakphrom, S. J. H. (2020). Low-cost capacitive sensor for detecting palm-wood moisture content in real-time. 6(8), e04555. Manickavasagan, A., Al-Mezeini, N. K., and Al-Shekaili, H. N. (2014). RGB color imaging technique for grading of dates. Scientia Horticulturae, 175, 87-94. Martin, D. R., Fowlkes, C. C., and Malik, J. (2004). Learning to detect natural image boundaries using local brightness, color, and texture cues. IEEE Transactions on Pattern Analysis & Machine Intelligence(5), 530-549. Meenu, M., Kurade, C., Neelapu, B. C., Kalra, S., Ramaswamy, H. S., Yu, Y. J. T. i. F. S., and Technology. (2021). A concise review on food quality assessment using digital image processing. 118, 106-124. Muhammad, G. (2015). Date fruits classification using texture descriptors and shape-size features. Engineering Applications of Artificial Intelligence, 37, 361-367. Naranjo-Torres, J., Mora, M., Hernández-García, R., Barrientos, R. J., Fredes, C., and Valenzuela, A. J. A. S. (2020). A review of convolutional neural network applied to fruit image processing. 10(10), 3443. Nasiri, A., Taheri-Garavand, A., and Zhang, Y.-D. (2019). Image-based deep learning automated sorting of date fruit. Postharvest biology and technology, 153, 133-141. Placidi, P., Gasperini, L., Grassi, A., Cecconi, M., and Scorzoni, A. (2020). Characterization of Low-Cost Capacitive Soil Moisture Sensors for IoT Networks. 20 (12), 3585. Pourdarbani, R., Ghassemzadeh, H. R., Seyedarabi, H., Nahandi, F. Z., and Vahed, M. M. (2015). Study on an automatic sorting system for Date fruits. Journal of the Saudi Society of Agricultural Sciences, 14 (1), 83-90. Septiarini, A., Hamdani, H., Hatta, H. R., and Kasim, A. A. (2019, 23-24 Oct. 2019). Image-based processing for ripeness classification of oil palm fruit. Paper presented at the 2019 5th International Conference on Science in Information Technology (ICSITech). Vayalil, P. K. (2012). Date Fruits (Phoenix dactylifera Linn): An Emerging Medicinal Food. Critical Reviews in Food Science and Nutrition, 52(3), 249-271. doi:10.1080/10408398.2010.499824 Visa, G. P., and Salembier, P. (2014). Precision-recall-classification evaluation framework: Application to depth estimation on single images. Paper presented at the European Conference on Computer Vision. Zhang, D., Lee, D.-J., Tippetts, B. J., and Lillywhite, K. D. (2014). Date quality evaluation using short-wave infrared imaging. Journal of Food Engineering, 141, 74-84. Zhang, H., Liu, W., Tan, B., and Lu, W. (2013). Corn Moisture Measurement using a Capacitive Sensor. JCP, 8 (6), 1627-1631. | ||
آمار تعداد مشاهده مقاله: 367 تعداد دریافت فایل اصل مقاله: 348 |