پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,761 |
| تعداد مقالات | 72,821 |
| تعداد مشاهده مقاله | 131,603,887 |
| تعداد دریافت فایل اصل مقاله | 103,399,765 |
امکان سنجی استفاده از بینی الکترونیک و هوش مصنوعی جهت تشخیص واریته های گندم | ||
| مهندسی بیوسیستم ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 اردیبهشت 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2025.389976.665587 | ||
| نویسندگان | ||
| ناهید عقیلی ناطق* 1؛ رشید غلامی1؛ ساناز صدریان2 | ||
| 1استادیار مهندسی مکانیک بیوسیستم،دانشکده کشاورزی سنقر، دانشگاه رازی، کرمانشاه، ایران | ||
| 2دانشجوی دکترای مهندسی مکانیک بیوسیستم، دانشگاه بوعلی سینا، همدان ،ایران | ||
| چکیده | ||
| گندم یک محصول مهم غلات است که حدود 20 درصد از کالری مصرفی جمعیت بشر در سراسر جهان را تشکیل می‌دهد. با توجه به وابستگی شدید رشد و عملکرد گندم به رقم آن، انتخاب رقم مناسب اهمیت زیادی دارد. لذا بررسی روش‌های جدید برای بالا بردن دقت و سرعت شناسایی ارقام گندم بسیار حائز اهمیت می‌باشد. در این پژوهش امکان سنجی کاربرد سامانه بینی‌الکترونیکی به همراه هوش مصنوعی بر پایه‌ی حسگرهای نیمه هادی اکسید فلزی به عنوان ابزاری غیر مخرب برای تفکیک و شناسایی سه رقم گندم با نام‌های: گندم دیم سالاری، گندم آبی قدس و گندم محلی قرمز مورد ارزیابی قرار گرفت. ماشین بردار پشتیبان (SVM) شبکه عصبی مصنوعی (ANN) و تحلیل مولفه اصلی (PCA) روش‌هایی بودند که برای رسیدن به این هدف مورد استفاده قرار گرفتند. نتایج به دست آمده نشان داد حسگرهایTGS822 و TGS2620 بیشترین پاسخ و حسگرهای TGS813 و TGS2610 کمترین پاسخ را در تشخیص واریته گندم نشان دادند. روش تحلیل ANN با دقت7/91 درصدی، عملکرد بهتری نسبت به روش SVM (با دقت 75 درصدی)، در شناسایی و طبقه‌بندی ارقام گندم داشت. در این میان، روش PCA نیز با 77 درصد مجموع واریانس کل داده‌ها، عملکرد نسبتا مناسبی را در تفکیک و شناسایی ارقام گندم از خود نشان داد. همچنین نتایج نشان داد گندم رقم دیم سالاری ترکیبات معطر متفاوتی با دو رقم دیگر گندم آبی قدس و گندم محلی قرمز داشت. عملکرد مناسب بینی الکترونیکی در تفکیک ارقام گندم می‌تواند بیانگر امید بخش بودن کاربرد این فناوری در تفکیک و شناسایی ارقام گندم باشد. | ||
| کلیدواژه‌ها | ||
| بینی الکترونیکی؛ تحلیل مولفه‌های اصلی؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Feasibility of using electronic nose and artificial intelligence to identify wheat varieties | ||
| نویسندگان [English] | ||
| nahid aghili nategh1؛ rashid gholami1؛ sanaz sadriyan2 | ||
| 1Department of Agricultural Machinery Engineering, Sonqor Faculty of Agriculture, Razi University, Kermanshah, Iran | ||
| 2Department of Biosystem Mechanical Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran.. | ||
| چکیده [English] | ||
| Wheat is an important grain product that constitutes about 20% of the calories consumed by the human population around the world. Due to the strong dependence of wheat growth and yield on its variety, the choosing the right variety for cultivation is very important. In this research, the feasibility of using an e-nose system along with artificial intelligence based on metal oxide semiconductor sensors (MOS) as a non-destructive tool for the separation and identification of three varieties of wheat with the names: Salari dry wheat, Quds blue wheat and local red wheat is evaluated. Support vector machine (SVM), artificial neural network (ANN) and principal component analysis (PCA) were the methods used to achieve this goal. The obtained results showed that TGS822 and TGS2620 sensors play the most role and TGS813 and TGS2610 sensors play the least role in wheat variety detection. ANN analysis method with 91.7% accuracy showed better result than SVM method (75% accuracy) in identifying and classifying wheat varieties. In the meantime, the PCA method showed a relatively good performance in separating and identifying wheat varieties with 77% of the total variance of the total data. Also, the results showed that wheat of Salari dry wheat variety had different aromatic compounds with other two varieties of Quds blue wheat and local red wheat. The proper performance of the e-nose in the separation of wheat varieties can indicate the promising application of this technology in the separation and identification of wheat varieties. | ||
| کلیدواژه‌ها [English] | ||
| ANN, E-nose, SVM, PCA | ||
|
آمار تعداد مشاهده مقاله: 42 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب