هوش مصنوعی | متن کامل رایگان | رویکرد ارزیابی کیفیت دانه شلتوک کارآمد با استفاده از سنسورهای مقرون به صرفه

مشارکت های نویسنده

مفهوم سازی، AS و AMR. روش، AS و TM. نرم افزار، KR; اعتبار سنجی، AS و KR. تجزیه و تحلیل رسمی، AS و KR. تحقیق، AS و KR؛ منابع، AS و KR؛ مدیریت داده، AS و KR. نوشتن – آماده سازی پیش نویس اصلی، AS و KR. نوشتن – بررسی و ویرایش، AS و KR. تجسم، AS و KR. نظارت، AS و AMR؛ مدیریت پروژه، AS و KR؛ کسب بودجه، AS و KR همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

شکل ۱٫
نمونه هایی از غلات شلتوک از ایالت های جارکند، بیهار، هند و نپال هستند. این ارقام شالیزاری از نظر طول و عرض دارای ساختارهای مورفولوژیکی متفاوتی هستند.

شکل ۱٫
نمونه هایی از غلات شلتوک از ایالت های جارکند، بیهار، هند و نپال هستند. این گونه های شالیزاری از نظر طول و عرض دارای ساختارهای مورفولوژیکی متفاوتی هستند.

شکل ۲٫
مراکز جمع آوری داده ها مجموعه داده در دو مرکز در ایالت جارکند (۱ و ۲)، یک مرکز (آسیاب) در ایالت بیهار (۳) و دو مرکز در کشور نپال (۴ و ۵) جمع‌آوری شد. این مراکز یا مراکز تدارکات بودند یا کارخانه های شالیکوبی.

شکل ۳٫
این تنظیمات برای تصویربرداری از دانه های شلتوک پراکنده استفاده شد. از یک قاب سفت و سخت با موقعیت بالای سر برای نصب دوربین تشکیل شده است. از یک سینی افقی سفید برای پراکندگی دانه ها تشکیل شده است.

شکل ۴٫
شماتیک جریان فرآیند در سیستم پیشنهادی. محصول کشاورز در مرکز تدارکات جمع آوری می شود. به دو قسمت تقسیم می شود. یک بخش برای توزین (تجزیه و تحلیل رطوبت) و دیگری برای پردازش تصویر بر اساس استخراج ویژگی و بررسی تقلب استفاده می شود. سپس ویژگی های استخراج شده از هر دو بخش در یک سیستم استنتاج فازی برای طبقه بندی کیفیت دانه استفاده می شود. تمامی سنسورها از طریق دستگاه Raspberry Pi که به سرور مرکز تدارکات متصل است، کنترل می شوند. اطلاعات کیفیت دانه به پایگاه داده کشاورز اضافه می شود و برای اقدامات بیشتر در سرور جهانی به روز می شود.

شکل ۵٫
فرآیندهای درگیر در پردازش تصویر. تصویر رنگی را به مقیاس خاکستری تبدیل می‌کند و فرآیند پر شدن سیل، ناحیه پس‌زمینه را با رنگ پر می‌کند و منطقه مورد نظر را ترک می‌کند. سپس تصویر پر از سیل معکوس می شود تا وجود ذرات دانه مشخص شود. فرآیند کانتورینگ دانه های موجود در تصویر را شمارش و مکان یابی می کند.

شکل ۶٫
شبکه عصبی فازی ورودی – مقدار اندازه، مقدار رنگ و مقدار وزن. خروجی – دانه با کیفیت بالا یا دانه با کیفیت پایین. هر ورودی را به دو مقدار فازی تبدیل می کند که برای تصمیم گیری با استفاده از یک قاعده استفاده می شود. کل شبکه با استفاده از روش ترکیبی آموزش آموزش داده می شود.

شکل ۷٫
آموزش ANFIS برای آموزش و به روز رسانی وزن شبکه از دو روش استفاده می شود:درست) هیبریدی و (ترک کرد) پس انتشار.

شکل ۸٫
تغییرات رطوبت در مقابل وزن دانه رنجیت. در ابتدا، وزن دانه با تغییر رطوبت به آرامی افزایش می‌یابد، اما پس از یک آستانه (حدود ۲۰%)، به سرعت افزایش می‌یابد.

شکل ۹٫
نتیجه طبقه بندی در مجموعه تست: (ترک کرد) هیبریدی و (درست) انتشار پس از آزمایش بر روی نمونه های آزمایشی. نقاط قرمز پیش بینی هستند و نقاط آبی مقادیر هدف هستند.

شکل ۱۰٫
نمرات مهارت روش درجه بندی کیفیت دانه شالیزاری بر اساس ANFIS و سایر تکنیک های ML.

میز ۱٫
مشخصات هر نمونه دانه در مجموعه داده.

نوع شالیزار	مرفولوژی	تنظیمات متر	مرطوب
رادا	ضخیم ترین	L1	۱۰٫۲
رادا مرطوب	ضخیم	L1	۲۰٫۱
رنجیت	طولانی ترین، ضخیم ترین	L7	۱۴٫۷
جایا	مایل به زرد کم رنگ، ضخیم	L1	۱۲٫۷
کانکسی	زرد خالص، ضخیم	L1	۱۴٫۳
سونا	نازک، کوچک	L7	۱۲٫۲
زیرا	نازک ترین، بلند	L7	۱۳

جدول ۲٫
تغییرات وزن همه دانه ها با تغییر رطوبت.

مرطوب (%)	وزن (به کیلوگرم)
مرطوب (%)	رنجیت	زیرا	رادا	سونا	کانکسی	او خواهد
۱۰	۱٫۰۲	۱٫۰۱	۱٫۰۲	۱٫۰۳	۱٫۰۳	۱٫۰۲
۱۳	۱٫۰۲	۱٫۰۱	۱٫۰۲	۱٫۰۳	۱٫۰۳	۱٫۰۲
۱۸٫۲۴	۱٫۰۲	۱٫۰۳	۱٫۰۳	۱٫۰۴	۱٫۰۴	۱٫۰۲
۲۲	۱٫۰۴	۱٫۰۴	۱٫۰۴	۱٫۰۵	۱٫۰۵	۱٫۰۴
۲۵٫۴	۱٫۰۸	۱٫۰۷	۱٫۰۷	۱٫۰۹	۱٫۰۸	۱٫۰۸
۳۰٫۷	۱٫۰۹	۱٫۰۸	۱٫۰۸	۱٫۱	۱٫۱	۱٫۱

جدول ۳٫
ارزیابی عملکرد روش پیشنهادی (عصبی فازی با یادگیری ترکیبی).

متریک	ارزش
خطای آموزشی	۰٫۰۰۱۱۸۵۵
خطای تست	۰٫۰۰۰۷
دقت تست	۹۸٫۵۸

جدول ۴٫
قوانین استخراج شده از رویکرد پیشنهادی. P، B، SS، LS، L، H، LQ و HQ به ترتیب مخفف هلو، قهوه ای، سایز کوچک، سایز بزرگ، کم، زیاد، کم کیفیت و کیفیت بالا هستند.

قانون شماره	رنگ	اندازه	وزن	کیفیت
قانون $# ۱$	پ	اس اس	L	مقر
قانون $# ۲$	پ	اس اس	اچ	مقر
قانون $# ۳$	پ	LS	اچ	LQ
قانون $# ۴$	پ	LS	L	مقر
قانون $# ۵$	ب	اس اس	اچ	LQ
قانون $# ۶$	ب	LS	L	LQ
قانون $# ۷$	ب	اس اس	L	مقر
قانون $# ۸$	ب	LS	اچ	LQ

جدول ۵٫
مقایسه رویکرد ارزیابی کیفیت دانه شالیزار مبتنی بر ANFIS با روش‌های دیگر.

روش	آموزش دقت (٪)	آزمایش کردن دقت (٪)
${SVM}_{۱}$	۹۹٫۲۸	۹۷٫۱۴
${SVM}_{۲}$	۹۹٫۲۸	۹۶٫۴۲
${SVM}_{۳}$	۹۸٫۵۷	۹۶٫۴۲
LR	۹۷٫۸۵	۹۵٫۰
MNB	۸۷٫۸۵	۸۶٫۴۲
BNB	۹۷٫۱۴	۹۵٫۷۱
GNB	۹۲٫۸۵	۸۹٫۲۸
KNN	۹۷٫۱۴	۹۲٫۸۵
پیشنهاد شده	۹۹٫۲۸	۹۸٫۵۸

منبع: https://www.mdpi.com/2673-2688/5/2/36

مشارکت های نویسنده

دیدگاهتان را بنویسید لغو پاسخ