پیش بینی، تشخیص و بررسی سینتیک خشک کردن ارقام برنج با استفاده از پردازش تصویر و شبکه های عصبی مصنوعی

thesis
abstract

شناسایی ارقام برنج در کشاورزی مدرن از اهمیت بالایی برخوردار است. از میان عوامل مختلف شناسایی ارقام می توان به شاخص های رنگ و بافت اشاره کرد. تشخیص ارقام برنج با استفاده از بازرسی دستی و بصری بسیار وقت گیر و دارای خطا می باشد. در نتیجه تکنولوژی ماشین بینایی به عنوان روشی جدید می تواند برای استخراج ویژگی های رنگ و بافت به کار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از این ویژگی ها با کمک پردازش تصویر و شبکه های عصبی مصنوعی و همچنین پیش بینی سینتیک خشک کردن شلتوک با استفاده شبکه های عصبی مصنوعی می باشد. برای تشخیص ارقام برنج، پنج رقم برنج ایرانی به نام های فجر، شیرودی، ندا، خزر و طارم محلی تهیه شدند. شناسایی ارقام با استفاده از شبکه عصبی پس انتشار و همچنین انتخاب خواص با استفاده از روش stepdisc صورت پذیرفت. همچنین در بخش پیش بینی رطوبت شلتوک، آزمایش ها توسط خشک کن لایه نازک در آزمایشگاه انجام شد و ویژگی های رنگی l*a*b* از جعبه ابزار پردازش تصویر در نرم افزار matlab بدست آمد. نتایج شناسایی ارقام نشان داد که میانگین دقت طبقه بندی با استفاده از شبکه با یک لایه پنهان برای شناسایی ارقام شلتوک، برنج قهوه ای و برنج سفید به ترتیب: 3/93، 9/98 و 100% بود. میانگین دقت طبقه بندی با استفاده از ویژگی های بافتی، برای تشخیص ارقام شلتوک، برنج قهوه ای و برنج سفید به ترتیب: 2/92، 8/97 و 9/98% بدست آمد. پس از آنکه ویژگی های رنگی و بافتی باهم ترکیب شدند، شبکه با بیشترین دقت طبقه بندی برای ارقام شلتوک 9/98% ، برای برنج قهوه ای و سفید به ترتیب: 100 و 100% بدست آمد. پس از انجام آزمایش های خشک کردن، این نتایج حاصل شد که دمای هوای ورودی اثر بسیار معنی داری روی ویژگی های رنگی و زمان نهایی خشک شدن داشت. با گذشت زمان مقادیر l* کاهش و مقادیر a* وb* افزایش یافتند. برای پیش بینی رطوبت با کمک شبکه عصبی پس انتشار، شبکه با یک لایه پنهان با توپولوژی 1-7- 5، بیشترین مقدار 963/0r2=، کم ترین مقدار031/0mae=، تعداد چرخه آموزش 18، تابع انتقال لگاریتم سیگموئید در لایه پنهان و تانژانت سیگمویئد در لایه خروجی به عنوان بهترین ساختار شبکه انتخاب شدند.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

پیش بینی محتوای رطوبتی پیاز خوراکی در طی فرآیند خشک کردن با استفاده از شبکه عصبی مصنوعی

پیاز خوراکی به­عنوان منبع غذایی و همچنین مصارف دارویی، امروزه بسیار مورد توجه قرار گرفته است. با افزایش بیش از پیش تولید پیاز، نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از پودر پیاز بیشتر احساس می­شود. به­همین جهت خشک کردن این محصول به­عنوان یکی از راهکارهای عملی همواره مطرح می­باشد. امروزه با توجه به مزایای فناوری هوش مصنوعی، استفاده از شبکه­های عصبی مصنوعی در سطح وسیعی برای شب...

full text

پیش بینی سطح ایستابی مناطق خشک و نیمه خشک با استفاده از شبکه عصبی مصنوعی و قانون یادگیری Gradient Descent.

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

سینتیک خشک کردن چای با استفاده از مدل شبکه عصبی مصنوعی

چکیده خشک کردن برگ چای برای نگهداری طولانی مدت از ملزومات می باشد. برگ سبز چای درمحدوده دماهای 35  تا 55 درجه سلسیوس و سرعت های 5/0و7/. متر بر ثانیه هوای ورودی و بازه ی زمانی 0تا 140 دقیقه دریک فرآیند  خشک کن آزمایشگاهی خشک شد. بدین منظور 4 نمونه برای هر دما در نظرگرفته  شد و تغییرات وزن نمونه ها به طور پیوسته در هر آزمایش ثبت شد. فرآیند خشک کردن چای به روش شبکه های عصبی مصنوعی با چهار بردار ور...

full text

تخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال

The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...

full text

تخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال

The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه بوعلی سینا - دانشکده علوم کشاورزی

Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023