با همکاری انجمن مهندسان مکانیک ایران
کلیدواژه‌ها = PCA
کشاورزی دیجیتال، هوشمند و دقیق

بهینه‌سازی هایپرپارامترهای مدل‌های ماشین بردار پشتیبان، k نزدیک‌ترین همسایه و شبکه عصبی مصنوعی برای طبقه‌بندی تصاویر فندق‌ها بر اساس روش‌ انتخاب ویژگی‌ها

دوره 15، شماره 1، بهار 1404، صفحه 129-144

https://doi.org/10.22067/jam.2024.87830.1244

حسین باقرپور، فرهاد فاتحی، علیرضا شجاعیان، رضا باقرپور

چکیده در برخی کشورها، فندق‌ها به دلیل محدودیت‌های فناوری موجود و افزایش طول عمر نگهداری‌شان، معمولاً با پوسته مصرف می‌شوند. بنابراین، فندق‌های خندان مشتری پسندی بالاتری دارند. در مقیاس نیمه‌صنعتی، فندق‌های خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا می‌شوند. این مطالعه به‌منظور توسعه یک الگوریتم جدید برای جداسازی فندق‌های خندان از فندق‌های ترک‌خورده یا دهان بسته انجام شده است. در رویکرد اول، تکنیک‌های کاهش بعد مانند روش‌های مبتنی بر انتخاب ویژگی (SFFS) و تحلیل مؤلفه اصلی (PCA) برای انتخاب یا استخراج ترکیبی از ویژگی‌های رنگ، بافت و خاکستری به‌عنوان ورودی مدل استفاده شدند. در رویکرد دوم، ویژگی‌های به شکل انفرادی مستقیماً به‌عنوان ورودی‌ها استفاده شدند. در این مطالعه، سه مدل معروف یادگیری ماشین، شامل ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه‌ها (KNN) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفتند. نتایج نشان داد که روش SFFS تأثیر بیشتری در بهبود عملکرد مدل‌ها نسبت به روش PCA دارد. با این حال، تفاوت معنی‌داری بین عملکرد مدل‌های توسعه‌یافته با ویژگی‌های ترکیبی (98.00%) و عملکرد مدل‌های با استفاده از ویژگی‌های انفرادی (98.67%) وجود نداشت. نتایج کلی این مطالعه نشان داد که مدل MLP با یک لایه پنهان، دراپ اوت برابر با 0.3 و 10 نورون، با استفاده از ویژگی‌ HOG به‌عنوان ورودی، انتخاب خوبی برای طبقه‌بندی فندق‌ها به دو دسته خندان و دهان بسته می‌باشد.

کشاورزی دیجیتال، هوشمند و دقیق

توسعه و ارزیابی یک سامانه بینی الکترونیکی بر پایه حسگرهای نیمه‌هادی اکسید فلزی جهت تشخیص و جداسازی اسانس‌های لیمو

دوره 9، شماره 2، 1398، صفحه 253-263

https://doi.org/10.22067/jam.v9i2.69568

سید پویا فیاض، سید سعید محتسبی، علی جعفری، عبدالناصر مسعودی

چکیده اسانس‌ها یا روغن‌های فرار ازجمله مواد موجود در گیاهان هستند که شامل مخلوط پیچیده‌ای از مواد شیمیایی آلی مثل ترپینوئیدها، آلدئیدها، الکل‌ها، استرها، ستن‌ها و غیره می‌باشند. اسانس‌ها از تقطیر مواد فرار موجود در اندام‌های مختلف گیاهان تازه یا خشک به‌دست می‌آیند و وزن مخصوص آن‌ها غالباً از آب کمتر است. اسانس‌ها را می‌توان به سه دسته طبیعی، مشابه طبیعی و مصنوعی تقسیم کرد. روش‌های متداول شناسایی و ارزیابی اسانس‌های روغنی دارای نقطه‌ضعف‌هایی هستند. در این تحقیق یک سامانه بینی الکترونیکی شامل هفت حسگر نیمه‌هادی اکسید فلزی برای تشخیص و تفکیک هشت نوع اسانس لیموی تجاری توسعه داده‌شده و با استفاده از روش‌های تحلیل مؤلفه‌های اصلی، تحلیل تفکیک خطی و شبکه عصبی مصنوعی ارزیابی شد. بر اساس نتایج حاصل از تحلیل داده‌های این سامانه، روش تحلیل مؤلفه‌های اصلی با دو مؤلفه اصلی PC1 و PC2 توانست ۹۹ درصد از واریانس داده‌ها را پوشش دهد. همچنین تمامی حسگرها ضرایب لودینگ بالایی را از خود نشان دادند. روش‌های تحلیل تفکیک خطی و شبکه عصبی مصنوعی نیز به‌ترتیب با دقت بالای 98% و91% قادر به جداسازی نمونه‌ها بودند. بنابراین سامانه بینی الکترونیکی پیشنهادشده نشان داد که ابزار قابل‌اعتماد و کم‌هزینه‌ای جهت جداسازی اسانس‌های لیموی تجاری می‌باشد.

کشاورزی دیجیتال، هوشمند و دقیق

تشخیص آفلاتوکسین پسته با استفاده از تکنیک طیف‌سنجی رامان و شبکه عصبی

دوره 5، شماره 1، 1394، صفحه 1-9

https://doi.org/10.22067/jam.v5i1.28122

رضا محمدی گل، محمد هادی خوش تقاضا، رسول ملک فر، منصوره میرابوالفتحی، علی محمد نیکبخت

چکیده آلودگی ناشی از زهرابه قارچی آفلاتوکسین به‌عنوان یک معضل اساسی برای صادرات پسته محسوب می شود. با توجه به استقبال روزافزون استفاده از تکنیک طیف‌سنجی رامان در تشخیص و تفکیک مواد مختلف و همچنین مسائل پیشروی روش‌های آزمایشگاهی سنجش سم مذکور (مانند هزینه بالا و زمان بر بودن)، هدف از این پژوهش بررسی امکان تشخیص و سنجش آفلاتوکسین پسته با تکنیک طیف سنجی رامان و استفاده از شبکه‌های عصبی بوده است. نمونه‌های مورد تحقیق در 3 سطح بدون آلودگی (سالم)، آلودگی 20 و 100 نانوگرم در گرم (ppb) از مجموع آفلاتوکسین‌های (B1+B2+G1+G2) آماده شدند. بعد از طیف برداری، با توجه به نتایج، هنجارسازی ‌داده‌های طیفی به‌عنوان روش پیش پردازش مناسب، انتخاب شد و به‌دنبال آن برای کاهش ابعاد داده های طیفی استخراج مؤلفه‌های اصلی صورت پذیرفت. برای طبقه‌بندی نمونه‌ها، شبکه پرسپترون با قانون یادگیری پس انتشار خطا (با 4 مؤلفه اصلی مؤثر به‌عنوان ورودی و 3 نرون در لایه پنهان) مورد استفاده قرار گرفت. متوسط دقت طبقه ‌بندی شبکه 98 درصد به‌دست آمد و بنابراین، مدل‌سازی غیرخطی داده‌های طیف رامان توسط شبکه عصبی پرسپترون در طبقه بندی نمونه‌ها موفقیت‌آمیز ارزیابی شد.