درجه بندی غیرمخرب برخی از ارقام بادام با استفاده از روش ضربه-صوتی و تکنیک های هوش مصنوعی

ایران یکی از مهم¬ترین مناطق خاستگاه و تنوع گونه¬های وحشی بادام در دنیا است و سومین تولیدکننده این محصول در جهان می¬باشد. بادام ایرانی بالاترین ارزش را در جهان داشته ولی با این حال سهم ایران از صادرات این محصول فقط 0/22 درصد است. این مسئله ممکن است به دلیل فقدان سیستم درجه¬بندی و بسته¬بندی مناسب و عدم رعایت استاندارد کیفی بادام در کشور ¬باشد. لذا هدف کلی از این تحقیق، دست¬یابی به یک تکنولوژی با کارائی بالا و کم هزینه، برای درجه¬بندی غیرمخرب بادام به¬صورت آن¬لاین بود. برای نیل به این هدف، اقدام به ساخت و ارزیابی نمونه آزمایشگاهی یک سیستم درجه¬بندی ضربه-صوتی هوشمند و خودکار مرکب از واحد تغذیه، واحد تشخیص آکوستیک و جداکننده نیوماتیکی محصول به همراه سیستم کنترل¬کننده الکترونیکی گردید. نمونه¬های بادام مورد استفاده در این تحقیق، شامل پنج ژنوتیپ و سه رقم در سه کلاس سنگی، نیمه¬کاغذی و کاغذی بودند که برخی از خواص فیزیکی آن¬ها اندازه¬گیری شد. آزمایش¬ها در سه مرحله : الف- شناسایی و طبقه-بندی ارقام و ژنوتیپ¬های مختلف بادام بر اساس اختلاف آن¬ها در ضخامت و سختی پوسته در سه کلاس سنگی، نیمه¬کاغذی وکاغذی، ب- شناسایی و تفکیک ژنوتیپ¬های مختلف قرارگرفته در هر یک از کلاس¬های فوق¬الذکر و پ- تشخیص و جداسازی بادام سالم و توپر از بادام مغز چروکیده و پوک، انجام گرفت. برای طبقه¬بندی ارقام بادام در سه کلاس بادام سنگی، نیمه¬کاغذی و کاغذی، از سه تکنیک هوش مصنوعی شامل شبکه عصبی مصنوعی، استنتاج فازی و استنتاج انطباقی عصبی-فازی (anfis) استفاده شد و نتایج با هم مقایسه گردید. در به¬کارگیری سیستم درجه¬بندی مزبور، هسته-های بادام پس از عبور از یک لوله شیب¬دار بر روی یک صفحه فولادی سقوط کرده و سیگنال صوتی حاصل از برخورد آن¬ها توسط یک میکروفون دریافت و ویژگی¬هایی نظیر دامنه، فاز و چگالی طیف توان پس از پردازش سیگنال¬ها در حوزه زمان و با تبدیل فوریه سریع (fft) در حوزه فرکانس استخراج گردید. برای کاهش تعداد ویژگی¬های سیگنال، از روش تجزیه به مولفه¬های اصلی استفاده شده و ترکیبات مختلفی از مولفه¬های اصلی به عنوان بردار ورودی در آموزش شبکه عصبی به¬کار گرفته¬شدند. در کلیه آزمایش¬ها، از شبکه های عصبی نوع پرسپترون چندلایه (mlp) با الگوریتم پس انتشار خطا و تابع یادگیری lm که سرعت و کارآیی بالاتری داشت، استفاده گردید. با در نظر گرفتن تعداد مختلفی نورون در لایه مخفی شبکه، مدل بهینه شبکه عصبی بعد از ارزیابی¬های متعدد بر اساس به حداقل رساندن میانگین مربعات خطا (mse)، میزان طبقه¬بندی صحیح (ccr) و ضریب همبستگی، انتخاب شد. در طبقه¬بندی فازی، از درخت تصمیم j48 برای استخراج قواعد فازی استفاده شده و کار طبقه-بندی با روش استنتاج فازی ممدانی و اختصاص سه مولفه اصلی چگالی طیف توان به عنوان ورودی و یک خروجی برای تعیین سه کلاس بادام سنگی، نیمه¬کاغذی و کاغذی انجام گرفت. طبقه¬بندی به روش anfis نیز با همان سه مولفه اصلی چگالی طیف توان صورت گرفت و نهایتا مدل fis بدست آمده با استفاده از داده¬های آزمایشی مورد ارزیابی قرار گرفت. در مقایسه سه تکنیک هوش مصنوعی در طبقه¬بندی ارقام بادام به¬حالت آف¬لاین، سیستم شبکه عصبی مصنوعی با میانگین دقت طبقه¬بندی 96/2% نسبت به روش¬های استنتاج فازی و anfis به ترتیب با میانگین دقت 71% و 81%، از عملکرد بهتری برخوردار بود. با این¬حال، این میزان دقت شبکه عصبی در طبقه¬بندی آن¬لاین، به حدود 88% کاهش یافت. علت احتمالی تنزل دقت در طبقه¬بندی، تاثیر پراکندگی اندازه و یا به عبارتی اختلاف جرم بین نمونه¬های بادام در هریک از کلاس¬های سنگی و نیمه¬کاغذی بوده¬است. نتایج آزمایش¬های طبقه¬بندی ژنوتیپ¬های مختلف بادام در کلاس¬های جداگانه نشان داد که شبکه های عصبی مصنوعی قابلیت تفکیک داخل گروهی ژنوتیپ¬های بادام سنگی، نیمه¬کاغذی و کاغذی را به ترتیب با میانگین دقت 98/4%، 99% و 99% در حالت آف¬لاین دارند. نتایج اولیه آزمایش¬ها برای تشخیص بادام توپر از مغز چروکیده نشان داد که رابطه صریح و آشکاری بین چگالی و درصد مغز بادام بخصوص در واریته¬هایی که پوسته ضخیم دارند، وجود ندارد. با استفاده از مدل¬های شبکه عصبی مصنوعی و به¬کارگیری داده-های اعتبارسنجی، عمل تشخیص و درجه¬بندی بادام بر اساس درصد مغز آن¬ها با میانگین دقت بیش از 95% انجام گرفت.