با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه آزاد اسلامی، واحد بناب

چکیده

درجه‌بندی محصولات کشاورزی برای عرضه به بازارهای داخلی و خارجی همواره از اهمیت ویژه‌ای برخوردار بوده است. درجه‌بندی براساس پارامترهای مختلفی از جمله رنگ، رسیدگی، ابعاد و وزن انجام می‌گردد. وزن محصول در اکثر موارد از پارامترهای مؤثر در درجه‌بندی می‌باشد. در درجه‌بندی محصول تخم‌مرغ نیز، میزان درشتی در بازاریابی بسیار مهم می‌باشد. هدف از انجام این تحقیق، طراحی، ساخت و ارزیابی دستگاه توزین تخم‌مرغ براساس خواص دی‌الکتریک آن بوده است. یک نمونه از این دستگاه طراحی و ساخته شد. دستگاه طراحی شده از بدنه، منبع تغذیه، واحد تولید سیگنال سینوسی، واحد اندازه‌گیری ولتاژ، میکروکنترلر AVR، واحد ارتباط با کامپیوتر (PORT COM)، حسگر خازنی، نمایشگر و صفحه کلید تشکیل شده است و از شبکه عصبی برای پیش‌بینی وزن تخم‌مرغ استفاده شده است. شبکه عصبی ساخته شده 16 مقدار ولتاژ در بسامدهای مختلف را به‌عنوان ورودی دریافت نموده و مقدار وزن را به‌عنوان خروجی ارائه می‌دهد. برای واسنجی و ارزیابی دستگاه توزین، 150 عدد تخم‌مرغ مورد نیاز از یک واحد مرغداری به‌صورت تازه و در روز تخم‌گذاری تهیه گردید. آزمایش به سه دسته تقسیم شد. دسته اول در روز تخم‌گذاری، دسته دوم در روز دوم انبارداری و دسته سوم در روز چهارم انبارداری مورد آزمایش قرار گرفتند. بهترین نتایج با شبکه عصبی سه‌لایه دارای 10 نرون در لایه مخفی اول و 7 نرون در لایه مخفی دوم با بیشترین ضریب همبستگی 983/0 و کمترین خطا 502/0 به‌دست آمد و بنابراین از شبکه با مشخصات مذکور برای پیش‌بینی وزن تخم‌مرغ استفاده شد.

کلیدواژه‌ها

1. Aboonajmi, M., A. Akram, T. Nishizu, N. Kondo, S. K. Setarehdan, and A. Rajabipour. 2010. An ultrasound based technique for the determination of poultry egg quality. Research in Agricultural Engineering 56 (1): 26-32.
2. Asadi, V., M. H. Raoufat, and S. M. Nassiri. 2012. Fresh egg mass estimation using machine vision technique. International Agrophysics 26: 229-234.
3. Bland, J. M., and D. G. Altman. 1999. Measuring agreement in method comparison studies. Statistical Methods in Medical Research 8: 135-160.
4. Garcia-Alegre, M. C., A. Ribeiro, D. Guinea, and G. Cristobal. 1998. Eggshell defects detection based on color processing. International Workshop on Robotics and Automated Machinery for Bio-Productions: 51-66.
5. Kuchida, K., M. Fukaya, S. Miyoshi, M. Suzuki, and S. Tsuruta. 1999. Nondestructive prediction method for yolk: albumin ratio in chicken eggs by computer image analysis. Poultry Science 78: 909-913.
6. Lawrence, K. C., S. C. Yoon, D. R. Jones, G. W. Heitschmidt, B. Park, and W. R. Windham. 2009. Modified pressure system for imaging egg cracks. Transactions of the ASABE 52 (3): 983-990.
7. Mertens, K., B. De Ketelaere, B. Kamers, F. R. Bamelis, B. J. Kemps, E. M. Verhoelst, J. G. De Baerdemaeker, and E. M. Decuypere. 2005. Dirt detection on brown eggs by means of color computer vision. Poultry Science 84: 1653-1659.
8. Narushin, V. G., M. N. Romanov, and V. P. Bogatry. 2002. Relationship between preincubation egg parameters and chick weight after hatching in layer breeds. Biosystems Engineering 83 (3): 73-381.
9. Patel, V. C., R. W. McClendon, and J. W. Goodrum. 1998. Development and evaluation of an expert system for egg sorting. Computer and Electronics in Agriculture 20: 97-116.
10. Ragni, L., C. Cevoli, and A. Berardinelli. 2010. A waveguide technique for non-destructive determination of egg quality parameters. Journal of Food Engineering 100: 343-348.
11. Wang, T. Y., and S. K. Nguang. 2007. Low cost sensor for volume and surface area computation of axi-symmetric agricultural products. Journal of Food Engineering 79: 870-877.