پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,524,403 |
| تعداد دریافت فایل اصل مقاله | 98,784,870 |
رویکرد جدید حسگر صوتی برای پیشبینی درصد دانه‌های پرشدۀ برنج بر اساس طیف جذب صوتی به روش طیف عمیق | ||
| مهندسی بیوسیستم ایران | ||
| دوره 54، شماره 4، دی 1402، صفحه 87-102 اصل مقاله (1.77 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2024.376335.665548 | ||
| نویسندگان | ||
| مجید فتحی قلعه میری1؛ علی ملکی* 2؛ مجید لشگری3؛ علی لقمانی4 | ||
| 1دانشجوی دکتری گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران | ||
| 2دانشیار گروه مهندسی مکانیک بیوسیستم دانشگاه شهرکرد، شهرکرد، ایران | ||
| 3دانشیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه اراک، ارک، ایران | ||
| 4دانشیار گروه مهندسی مکانیک دانشگاه صنعتی اصفهان، اصفهان، ایران | ||
| چکیده | ||
| برنج یکی از اصلی‌ترین غلات جهان شناخته می‌شود که دوسوم جمعیت جهان به‌ویژه در کشورهای آسیایی، از آن تغذیه می‌کنند. ارزیابی دقیق درصد دانه‌های پرشده (PFG) برای کارایی و کیفیت برداشت برنج حیاتی است. روش‌های سنتی اندازه‌گیری درصد دانه‌های پرشده کاربردی و مبتنی بر قضاوت شخصی است. این مطالعه رویکردی نوآورانه و غیرمخرب بر پایه حسگر صوتی در کنار مدل‌های یادگیری عمیق برای پیشبینی درصد دانه‌های پرشده بر اساس طیف صوتی دانه‌های برنج ارائه می‌دهد. با استفاده از معماری پیشرفته یادگیری عمیق، طیف عمیق که مستقیماً روی داده‌های طیفی خام کار می‌کند، نیاز به پیش‌پردازش حذف شد و دقت پیشبینی بهبود یافت. از لوله امپدانس تغییریافته، برای اندازه‌گیری طیف صوتی استفاده شد؛ سپس با استفاده از مدل طیف عمیق برای پیشبینی درصد دانه‌های پرشده، یافته‌ها تجزیه‌وتحلیل گردید. نتایج نشان داد که این رویکرد تجزیه‌وتحلیل داده‌های طیفی کمّی را به‌طور قابل توجهی بهبود بخشیده و پیشبینی قابل اعتمادی از پرشدگی دانه‌های برنج ارائه می‌دهد. دقت پیشبینی مدل طیف عمیق در مقایسه با روش‌های سنتی به‌طور قابل توجهی بالاتر بود و خطای جذر میانگین مربعات پیشبینی (RMSEP) پایین (05/0 ± 24/0) و ضریب تعیین (R²) (02/0 ± 95/0) بدست آمد. پیشبینی که برای ارزیابی کیفیت برنج، اصلاح نژاد و تحقیقات ژنتیکی برنج حیاتی است. این مطالعه دیدگاه و روش‌های جدیدی را درزمینۀ پیشبینی و طبقه‌بندی کیفیت دانه‌ها با استفاده از تحلیل طیف صوتی و یادگیری عمیق به حوزه تحقیقات کشاورزی ارائه می‌دهد که می‌تواند برای پژوهش‌های آتی در این زمینه مفید باشد. | ||
| کلیدواژه‌ها | ||
| اندازه‌گیری غیرمخرب؛ تحلیل طیفی؛ حسگر صوتی برنج؛ ضریب جذب صوتی؛ طیف عمیق | ||
| عنوان مقاله [English] | ||
| A new acoustic sensing approach for predicting the percentage of filled rice grains based on the acoustic absorption spectrum using the Deep Spectra | ||
| نویسندگان [English] | ||
| Majid Fathi Ghalemiri1؛ Ali Maleki2؛ Majid Lashgari3؛ Ali Loghmani4 | ||
| 1Ph.D. Student, Department of Mechanical Engineering of Biosystems, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran | ||
| 2Associate professor of Mechanical Engineering of Biosystems Department, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran | ||
| 3Associate Professor, Department of Mechanical Engineering of Biosystems, Faculty of Agriculture, Arak University, Arak, Iran | ||
| 4Associate Professor, Department of Mechanical Engineering, Isfahan University of Technology, Isfahan, Iran | ||
| چکیده [English] | ||
| Rice is recognized as one of the main cereals in the world, feeding two-thirds of the global population, especially in Asian countries. Accurate assessment of the percentage of filled grains (PFG) is crucial for the efficiency and quality of rice harvesting. Traditional methods of measuring PFG are practical and based on personal judgment. This study introduces an innovative and non-destructive approach based on an acoustic sensor alongside deep learning models to predict PFG based on the acoustic spectrum of rice grains. Using an advanced deep learning architecture, the Deep Spectrum, which works directly on raw spectral data, eliminates the need for preprocessing and enhances prediction accuracy. A modified impedance tube was used to measure the acoustic spectrum, which was then analyzed using the Deep Spectrum model to predict PFG. Results indicated that this approach significantly improves the quantitative analysis of spectral data and provides a reliable prediction of rice grain filling. The prediction accuracy of the Deep Spectrum model was significantly higher compared to traditional methods, with a low root mean square error of prediction (RMSEP) of 0.24 ± 0.05 and a coefficient of determination (R²) of 0.95 ± 0.02. This prediction is vital for assessing rice quality, breeding, and genetic research. This study introduces new perspectives and methods in the field of grain quality prediction and classification using acoustic spectrum analysis and deep learning, which could be beneficial for future research in this area. | ||
| کلیدواژه‌ها [English] | ||
| Acoustic Absorption Coefficient, Deep Spectra, Non-destructive Measurement, Rice Acoustic Sensor, Spectral Analysis | ||
| مراجع | ||
|
A|Lab - File Exchange - MATLAB Central https://www.mathworks.com/matlabcentral/fileexchange/93180-a-lab. Allegrini, F. & Olivieri, A. C. (2016). Anal Chem 88, 7807–7812. Boubel, A., Bousshine, S., Garoum, M., Abdelmajid, B. & Laaroussi, N. (2016). Burlando, B. & Cornara, L. (2014). Trends Food Sci Technol 40, 82–98. Caballol, D. & Raposo, Á. P. (2020). Constr Build Mater 256, 119297. Ceyhan, M., Kartal, Y., Özkan, K. & Seke, E. (2023). Multimed Tools Appl 1–23. Duan, L., Yang, W., Bi, K., Chen, S., Luo, Q. & Liu, Q. (2011). Comput Electron Agric 75, 196–203. Gasso-Tortajada, V., Ward, A. J., Mansur, H., Brøchner, T., Sørensen, C. G. & Green, O. (2010). Sensors (Basel) 10, 10027–10039. Geimer, P. R., Ulrich, ; T J, Luke, ;, Beardslee, B., Hayne, M. L., Remillieux, M. C., Saleh, T. A., Freibert, F. J., Ulrich, T. J. & Beardslee, L. B. (2022). J Acoust Soc Am 151, 3633–3640. Gheibi, A. & Hedayat, A. (2018). Ultrasonics 87, 112–125. Griffiths, S., Nennig, B. & Job, S. (2017). J Acoust Soc Am 141, 254–264. Hastie, T., Tibshirani, R. & Friedman, J. (2009). https://doi.org/10.1007/978-0-387-84858-7. Huang, S. ;, Lu, Z. ;, Shi, Y. ;, Dong, J. ;, Hu, L. ;, Yang, W. ;, Huang, C., Huang, S., Lu, Z., Shi, Y., Dong, J., Hu, L., Yang, W. & Huang, C. (2023). Sensors 2023, Vol. 23, Page 6331 23, 6331. Ioffe, S. & Szegedy, C. (2015). 32nd International Conference on Machine Learning, ICML 2015 1, 448–456. ISO 10534-1:1996 - Acoustics — Determination of sound absorption coefficient and impedance in impedance tubes — Part 1: Method using standing wave ratio https://www.iso.org/standard/18603.html. ISO 10534-2:2023 - Acoustics — Determination of acoustic properties in impedance tubes — Part 2: Two-microphone technique for normal sound absorption coefficient and normal surface impedance https://www.iso.org/standard/81294.html. Kamboj, U., Guha, P. & Mishra, S. (2021). Mater Today Proc 48, 576–582. Kingma, D. P. & Ba, J. L. (2014). 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. Koulivand, K. & Moniri, | Kamel. Kumar, A., Taparia, M., Madapu, A., Rajalakshmi, P., Marathi, B. & Desai, U. B. (2020). J Cereal Sci 95, 103037. Lecun, Y., Bengio, Y. & Hinton, G. (2015). Nature 2015 521:7553 521, 436–444. Lee, C. M. & Wang, Y. S. (2006). J Sound Vib 298, 350–365. Lee, C. M. & Xu, Y. (2009). J Sound Vib 326, 290–301. Li, Z., Chen, S., Wu, Z. & Yang, L. (2020). Https://Doi.Org/10.1177/1077546320926905 27, 332–342. Lin, P., Chen, Y. M., He, Y. & Hu, G. W. (2014). Comput Electron Agric 109, 124–133. Liu, T., Wu, W., Chen, W., Sun, C., Chen, C., Wang, R., Zhu, X. & Guo, W. (2016). Biosyst Eng 150, 79–88. Liu, X., An, H., Cai, W. & Shao, X. (2024a). TrAC Trends in Analytical Chemistry 172, 117612. Liu, X., An, H., Cai, W. & Shao, X. (2024b). TrAC Trends in Analytical Chemistry 172, 117612. Maas, A. L., Hannun, A. Y. & Ng, A. Y. (2013). Manickavasagan, A., Sathya, G., Jayas, D. S. & White, N. D. G. (2008). J Cereal Sci 47, 518–527. Mosa, A. I., Putra, A., Ramlan, R., Prasetiyo, I. & Esraa, A. A. (2019). Applied Acoustics 146, 409–419. Muthayya, S., Sugimoto, J. D., Montgomery, S. & Maberly, G. F. (2014). Ann N Y Acad Sci 1324, 7–14. Nguyên, T. T. T., Doanh, T., Bot, A. Le & Dalmas, D. (2022). Scientific Reports 2022 12:1 12, 1–9. Ni, W., Nørgaard, L. & Mørup, M. (2014). Anal Chim Acta 813, 1–14. Ostrovsky, L., Lebedev, A., Matveyev, A., Potapov, A., Sutin, A., Soustova, I. & Johnson, P. (2001). J Acoust Soc Am 110, 1770–1777. Passos, D. & Mishra, P. (2022). Chemometrics and Intelligent Laboratory Systems 223, 104520. Rinnan, Å., Berg, F. van den & Engelsen, S. B. (2009). TrAC Trends in Analytical Chemistry 28, 1201–1222. Roozen, N. B. & Piana, E. A. (2022). Applied Acoustics 198, 109002. Stender, M., Adams, C., Wedler, M., Grebel, A. & Hoffmann, N. (2021). J Acoust Soc Am 149, 1932–1945. Sun, M., Zhang, D., Liu, L. & Wang, Z. (2017). Food Chem 218, 413–421. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V. & Rabinovich, A. (2015). 1–9. Tsuruha, T., Yamada, Y., Otani, M. & Takano, Y. (2020). J Acoust Soc Am 147, 3418–3428. Yang, J., Peng, S., Visperas, R. M., Sanico, A. L., Zhu, Q. & Gu, S. (2000). Plant Growth Regul 30, 261–270. Zhang, J., Dai, L. & Cheng, F. (2021a). Journal of Food Measurement and Characterization 15, 484–494. Zhang, J., Dai, L. & Cheng, F. (2021b). Food Anal Methods 14, 389. Zhang, X., Lin, T., Xu, J., Luo, X. & Ying, Y. (2019). Anal Chim Acta 1058, 48–57.
| ||
|
آمار تعداد مشاهده مقاله: 63 تعداد دریافت فایل اصل مقاله: 60 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب