تشخیص غیر مخرب کیفیت داخلی هندوانه به کمک تکنیک صوت و شبکه های عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز - دانشکده کشاورزی
- نویسنده حمید کرملاچعب
- استاد راهنما اصغر محمودی عادل حسین پور
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1390
چکیده
اخیراً تجاری کردن هندوانه وابسته به تضمین آن از نظر کیفیت است. برخی از عواملی که در درجه-بندی هندوانه تأثیر دارند رسیدگی، عدم رسیدگی، بیش رسیدگی، پوکی در گوشت هندوانه و بیمار یا سالم بودن هندوانه می باشند. تشخیص این عوامل از روی پارامترهای ظاهری کار دشواری است. در این تحقیق سیستمی هوشمند جهت جداسازی هندوانه رقم کریمسون سوئیت با روش غیرمخرب مبتنی بر صوت و شبکه عصبی مصنوعی، به گروه های مختلف بر اساس کیفیت داخلی هندوانه طراحی و پیاده سازی شد. اجزای این سیستم شامل جعبه صدا، ضربه زن، میکروفن و نرم افزار پردازش سیگنال دیجیتال می باشند. صفات هندوانه ها، اندازه گیری و از طریق کارت صدا به کامپیوتر جهت ذخیره و پردازش بعدی منتقل می-گردد. خصوصیات گروه ها از تجزیه و تحلیل سیگنال ذخیره شده در حوزه زمان و فرکانس و کاربرد روش آماری تجزیه به مولفه های اصلی (pca) استخراج شد. چندین مدل مختلف ann هرکدام با تعداد نرون-های مختلف در لایه پنهان برای تعیین بهترین ساختار آموزش داده شدند. مدل ann بهینه دارای ساختار 5-45-20 می باشد. دقت سیستم جداسازی برای هندوانه های نارسیده، تا حدودی رسیده، رسیده و بیش رسیده وپوک و بیمار به ترتیب برابر 54/91 و 46/98 و 38/85 و 31/82و61/84 درصد، mse به ترتیب 029/0 و 018/0 و 047/0 و 045/0 و039/0 و ضریب رگرسیون (r) به ترتیب 91/0 و 95/0 و84/0 و 85/0 و 87/0 حاصل شد. میانگین وزنی دقت کلی مدل، برای پنج گروه برابر 56/88 درصد حاصل شد.
منابع مشابه
تشخیص خودکار خوشه های میکروکلسیفیکاسیون به کمک تبدیل موجک و شبکه های عصبی
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی ...
متن کاملتشخیص آسیب در خطوط انتقال گاز بر اساس تغییرات فرکانس طبیعی به کمک شبکه های عصبی مصنوعی
هدف از این مقاله معرفی یک رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از امواج مکانیکی است. در این مقاله تلاش شده است با استفاده از خصوصیات فرکانس طبیعی و تغییر آن، روشی جهت پیدا کردن عیوب ارائه گردد. با توجه به ارتباط جرم و سفتی در تعیین فرکانس طبیعی، به جای ایجاد عیب (کاهش سفتی) از افزایش جرم استفاده شده است. روش ارائه شده شامل مدل سازی لوله 2 اینچی به طول2 متر در نرم افزار آبا...
متن کاملمدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی ...
متن کاملتصحیح خودکار غلط های تایپی فارسی به کمک شبکه عصبی مصنوعی ترکیبی
Automatic correction of typos in the typed texts is one of the goals of research in artificial intelligence, data mining and natural language processing. Most of the existing methods are based on searching in dictionaries and determining the similarity of the dictionary entries and the given word. This paper presents the design, implementation, and evaluation of a Farsi typo correction system u...
متن کاملتولید سیگنال مصنوعی زلزله به کمک مدلی جدید در فشرده سازی و آموزش شبکه های عصبی مصنوعی
با توجه به استفاده روز افزون از تحلیل دینامیکی تاریخچه زمانی برای محاسبه پاسخ سیستمها، تولید شتابنگاشتهای مصنوعی مناسب، به علت کمبود رکوردهای ثبت شده زلزله و همچنین محدودیت و اشکالات موجود در آنها، امروزه امری ضروری به نظر میرسد. در این مقاله، یک روش جدید برای تولید سیگنال مصنوعی سازگار با طیف پاسخ با استفاده از شبکههای عصبی MLFF، آنالیز ویولت و آنالیز MFCC ارائه میشود. در این روش از ضرائ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز - دانشکده کشاورزی
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023