بخشی از مقاله
چکیده:
در این پژوهش امکان استفاده از پردازش صدای برخورد در حوزه موجک گسسته و شبکه عصبی مصنوعی جهت سورتینگ ارقام سحر و ویلیامز سویا بررسی می شود. ابتدا تعداد 100 عدد دانه سویا از هر کدام از ارقام سحر و ویلیامز انتخاب شدند. سپس تمامی دانه ها از ارتفاع 50 سانتیمتری با صفحه فلزی برخورد کردند. صدای برخورد توسط میکروفن گرفته و از طریق کارت صدای نصب شده بر روی رایانه قابل حمل با فرکانس نمونه برداری 44100 هرتز به سیگنال صدای دیجیتال شده تبدیل و در حافظه رایانه ذخیره گردید. سیگنالها پس از پیش پردازش، در حوزه موجک گسسته پردازش شده و مشخصات بدست آمده به عنوان ورودی شبکه عصبی مصنوعی MLP ٌبا الگوریتم آموزش پس انتشار لونبرگ-مارکواردتٍ بکارگرفته شدند. کلیه مراحل ضبط خودکار صدای برخورد، پردازش سیگنال و ایجاد، آموزش و آزمایش شبکه عصبی با استفاده از برنامه نویسی در محیط نرم افزار MATLAB R2011a انجام شد. شبکه عصبی MLP با ساختار10-19-2 قادر به طبقه بندی ارقام سحر و ویلیامز سویا به ترتیب با دقت 93 و 84 درصد بود. نتایج بدست آمده در ترکیب با روشهای متداول سورتینگ سویا میتواند ضمن افزایش دقت و سرعت جداسازی باعث کاهش آسیبدیدگی آنها شود.
واژه های کلیدی سویا، سورتینگ، سیگنال صدای برخورد، شبکه عصبی مصنوعی MLP، تبدیل گسسته موجک
مقدمه:
سویا - Glycine max L. - گیاهی است یکساله از تیره نخود - Leguminosae - که بصورت بوتهای استوار نسبتاً پربرگ رشد میکند و بدلیل کوتاه روز بودن بیش از هر محصول زراعی دیگر نسبت به طول روز حساسیت نشان می دهد. سویا به گرما و نور فراوان نیاز دارد و به سایهاندازی علفهای هرز حساس است. سویا به خشکی حساس است. بذر در مرحله سبز شدن به زیادی رطوبت نیز حساسیت نشان می دهد. دانه خشک سویا 14 تا 20 درصد روغن و 30 الی 40 درصد پروتئین داد. روش رایج سورتینگ محصولات کشاورزی استفاده از روش های مکانیکی می باشد.
در این روش ها جداسازی ارقام مختلف محصولات بر اساس تمایز بین خصوصیات فیزیکی آنها انجام می شود. از معایب روش های مکانیکی می توان به احتمال آلودگی محصولات، وارد آمدن صدمات مکانیکی به دانه ها و کاهش بازار پسندی آنها اشاره کرد. در سالهای گذشته تلاشهای متعددی در زمینه استفاده از فناوریهای نوین جهت سورتینگ محصولات کشاورزی انجام شده است. استفاده از انعکاس صدا و شبکههای عصبی مصنوعی روشی جدید در جداسازی و طبقه بندی محصولات کشاورزی می باشد. پیرسون - 6 - - 2001 - جداسازی پسته های خندان را از ناخندان بر اساس آنالیز سیگنال صدای انعکاس پسته در حوزه زمان با دقت %97 انجام داد. ستین و همکاران - 1 - - 2004 - از تکنیک بازشناسی صداَ برای جداسازی پستههای خندان از ناخندان با دقت بیش از %99 استفاده کردند. پیرسون وهمکاران - 7 - - 2005 - از آنالیز صدای برخورد برای جداسازی دانههای آسیب دیده گندم از دانههای سالم استفاده کردهاند.
غضنفری و همکاران - 2 - - 1996 - از شبکه عصبی مصنوعی جهت طبقه بندی چهار رقم پسته ایران بر اساس مشخصات بدست آمده از تصویر دو بعدی آنها استفاده کردند. کودیر و گویر - 4 - - 2002 - از شبکههای عصبی مصنوعی برای جداسازی سیب بر اساس بررسی کیفیت سطح میوه استفاده کردند. محمودی و همکاران - 5 - - 2006 - از شبکه عصبی مصنوعی برای طبقه بندی چهار رقم پسته ایران بر اساس آنالیز صدای انعکاس پسته در حوزه زمان و فرکانس استفاده کردند. سجادی و همکاران - 10 - - 1389 - از تبدیل موجک پیوسته صدای برخورد و شبکههای عصبی مصنوعی برای جداسازی پسته های پوک از مغزدار استفاده کردند.
مواد و روشها:
جمع آوری داده: برای انجام آزمایشات و ضبط صدای برخورد تعداد 100 عدد از هر کدام از ارقام سحر و ویلیامز به صورت تصادفی از بازار تهیه شده و انتخاب شدند. انتخاب هر کدام از ارقام به صورتی انجام شد که دانه ها از لحاظ ابعاد و جرم به همدیگر شبیه باشند. هر کدام از دانهها در دمای محیط آزمایشگاه نگهداری شده و تمامی آزمایشات در همان دما انجام شدند. رطوبت اولیه دانههای رقم سحر 6/5 درصد و رقم ویلیامز 5/9 درصد بود.
ضبط صدای برخورد: جهت ضبط صدای برخورد از دستگاهی مطابق شکل 1 استفاده شد. تمامی دانهها از ارتفاع 50 سانتیمتری بدون سرعت اولیه رها شده و با صفحه فلزی به ضخامت 10 میلی متر برخورد کردند. ضخامت زیاد صفحه برخورد باعث از بین رفتن نویز ناشی از لرزش صفحه در سیگنال صدای ضبط شده می شود. زاویه صفحه برخورد 30 درجه می باشد. صدای برخورد توسط یک میکروفن - Empire Em-L73 - به کارت صدای نصب شده بر روی لب تاپ - Acer Aspire 5755G - با فرکانس نمونه برداری 44100 هرتز منتقل و توسط آن به سیگنال صدای دیجیتال تبدیل شد. کلیه مراحل ضبط صدای برخورد توسط نرم افزار MATLAB R2011a انجام گرفت. از آنجا که سیگنال صدای برخورد ضبط شده دارای تعداد زیادی نمونه 44100 - نمونه - و نیز نویز محیط می باشد از آستانه شدت صداُ برابر با 0/2 ولت جهت انتخاب سیگنال صدای مورد نظر استفاده شد.
سپس پنجره ای به طول 2500 نقطه بر روی سیگنال انتخاب شده در حوزه زمان اعمال شد. - 8 - تبدیل موجک گسسته: تبدیل موجک روشی جهت آنالیز سیگنال در حوزه زمان-فرکانس می باشد. مزیت استفاده از این روش در تجزیه سیگنال در این است که تبدیل همزمان فرکانس-زمان انجام می شود و محدودیت های موجود در تبدیل فرکانسی فوریه وجود نخواهد داشت. در این تبدیل سیگنال اصلی به سیگنال هایی که از تغییر مقیاسِ و تغییر مکانّ تابع موجک مادر بدست می آیند تبدیل می شود. تابع موجک مادر - - x - - از رابطه زیر بدست می آید : - 11 -
تبدیل گسسته موجک سیگنال با عبور دادن آن از مجموعه ای از فیلترها، حاصل می شود. در سطح اول، سیگنال بطور همزمان از یک فیلتر بالاگذر و یک فیلتر پایین گذر عبور داده می شود سیگنال عبور کرده از فیلتر بالاگذر در اصطلاح، جزییاتْ و سیگنال عبور کرده از فیلتر پایین گذر تقریبَ خوانده می شود. سپس سیگنال تقریب بدست آمده مجددا از فیلترهای بالا و پایین گذر عبور داده شده و به دو سیگنال جزئیات و تقریب جدید تجزیه میگردد. این تجزیه، بطور متناوب انجام شده و در هر مرحله سیگنال تقریب بدست آمده در مرحله قبل از فیلترهای بالا و پایین گذر عبور داده شده و به دو سیگنال جزئیات و تقریب جدید تجزیه می گردد.
تشخیص با استفاده از شبکه عصبی: جهت تشخیص ارقام سویا بر اساس مشخصات بدست آمده از تبدیل گسسته موجک سیگنال صدای برخورد از شبکه عصبی مصنوعی استفاده شد. امروزه شبکههای عصبی کاربرد گسترده ای در مسائل مربوط به طبقه بندی یافته اند. در این گونه مسائل شبکه پرسپترون چند لایه - MLP - بکار میرود. در این شبکهها از روش آموزش با نظارتُ و الگوریتم آموزش پس انتشارًٌ استفاده می شود. - 3 - و - 9 - پس از بررسی الگوریتم های مختلف آموزش مشخص شد که الگوریتم آموزش پس انتشار LM ٌٌ نتایج بهتری را بدست می دهد. در MLP ها با کاربرد طبقه بندی از تابع انتقال غیر خطی Sigmoid در لایه های پنهان و لایه خروجی استفاده می شود. معادله این تابع مطابق رابطه 2 می باشد. ورودی این تابع هر عدد حقیقی می تواند باشد و خروجی آن بین -1 و 1 است. در این رابطه n ورودی تابع و a حروجی آن می باشد. کلیه مراحل ایجاد و آموزش شبکه MLP در جعبه ابزار شبکه عصبیٌٍ نرم افزار MATLAB 7.4 انجام شد. شبکه MLP انتخاب شده در این تحقیق شامل شبکه دو لایه ای و ساختار کلی آن 10-n-2 می باشد n - نشان دهنده تعداد واحدهای پردازشگرٌَ لایه میانی است - . تعداد واحد
