شناسایی ژنوتیپ های گردو با استفاده از شبکه عصبی مصنوعی

گونه های مختلف گردو که در رویشگاه های وسیعی در دنیا و ایران به طور طبیعی روییده و کاشته می شوند، جزو درختان چند منظوره بوده و از نظر اقتصادی بسیار پراهمیت محسوب می شوند. کشور ایران قسمتی از رویشگاه های وسیع گردو را شامل می شود، بطوری که در برخی از کشورها گردو را با نام "گردوی ایرانی" نام می برند. اما امروزه تجارت گردو در ایران در بین کشورهای تولید کننده اندک می باشد. گونه ها، واریته ها و نژادهای گردوی ایران از نظر گسترش گاه، کیفیت میوه و کمیت مواد تشکیل دهنده مغز آن مورد بررسی قرار نگرفته است و ارقام موجود، در واقع ارقام بومی هستند. بررسی گردوهای ایران که یک منبع غنی ژنتیکی به شمار می آیند، میدان کار وسیعی در برابر علم باغبانی و علم تشخیص و شناسایی گردو، طبقه بندی و بسته بندی آن می گشاید و ایران می تواند یکی از مهم ترین صادرکنندگان گردو باشد. در این تحقیق یک سیستم هوشمند مبتنی بر صوت طراحی گردید و امکان استفاده از آزمون پاسخ آکوستیک برای تشخیص دسته هایی از گردو که بر مبنای خواص فیزیکی دسته بندی شده بودند، مورد مطالعه قرار گرفت. برای این منظور حدود 30 کیلوگرم مخلوط گردو از ارقام بازار تهیه شد. گردوها به صورت تکی بر روی یک نبشی قرار گرفته و به صفحه برخورد هدایت شدند. صدای حاصل از ضربات نمونه ها ضبط شده و با پردازش آن در دو حوزه زمان و فرکانس، صفات مربوط به هریک از دسته ها استخراج گردید. برای افزایش سرعت شناسایی و انعطاف سیستم، از شبکه عصبی چندلایه به عنوان واحد تصمیم گیرنده استفاده شد. سپس صفات مطلوب انتخاب، و به عنوان بردار ورودی شبکه عصبی مورد استفاده قرار گرفت. مدل های مختلفی از شبکه های عصبی با معیار میانگین مربعات خطا، نرخ شناسایی صحیح و ضریب همبستگی مورد ارزیابی قرار گرفت تا مدل بهینه با ساختار 4-20-88 برای شناسایی دسته های گردوها انتخاب گردید. در نهایت، سیستم قادر بود چهار دسته گردو به نام های سنگی، کاغذی1، کاغذی2 و کندلر را با نرخ تشخیص صحیح 97/96، 50/90، 28/86 و 20/89 و میانگین مربعات خطای 017/0، 068/0، 061/0 و 040/0 و ضریب همبستگی 95/0، 81/0، 83/0، 89/0 تشخیص دهد. همچنین به عنوان یک هدف جنبی، سعی شد تا به روش غیرمخرب آکوستیک، مدل هوشمندی برای پیش بینی چگالی گردو که معرف کیفیت مغز آن است، ارائه شود. در این راستا، پس از تعیین چگالی، گردوها با سقوط بر روی صفحه فولادی مورد آزمایش قرار گرفته و صدای حاصل از برخورد، برای پردازش بعدی به کامپیوتر منتقل گردید. صفات موثر، از آنالیز سیگنال حاصل از ضربه در حوزه زمان و فرکانس استخراج شد. در مجموع 62 ویژگی با استفاده از روش آماری تجزیه به مولفه های اصلی (pca) انتخاب و پس از نرمال شدن به عنوان ورودی به شبکه عصبی داده شد. مدل های مختلف شبکه عصبی، هر کدام با تعداد نرون های متفاوت در لایه پنهان آموزش داده شد. درنهایت مدل بهینه بر مبنای ضریب همبستگی (r) و میانگین مربعات خطا (mse) با 62 ورودی و 26 نرون در لایه پنهان انتخاب گردید. مدل انتخابی برای تعیین چگالی گردو دارای mse برابر 007/0 و ضریب همبستگی (r) 81/0 می باشد.