نویسندگان

• علی رشادصدقی
• اصغر محمودی

چکیده

با توجه به امکان مخلوط شدن انواع بادام سنگی،‏ نیمه‌کاغذی و کاغذی با ارزش اقتصادی متفاوت پس از برداشت محصول،‏ استفاده از یک سامانه جداکننده مؤثر برای عرضه محصولی یکنواخت به بازار فروش،‏ اهمیت بسزایی دارد. در این پژوهش با به‌کارگیری سامانه آکوستیکی برای درجه‌بندی ارقام بادام در سه کلاس بادام سنگی،‏ نیمه کاغذی و کاغذی،‏ سیگنال صوتی حاصل از سقوط و برخورد هستة بادام با صفحه فولادی،‏ با استفاده از یک میکروفون دریافت و ویژگی‌هایی نظیر دامنه،‏ فاز و چگالی طیف توان پس از پردازش سیگنال‌ها در حوزه زمان و با تبدیل فوریه سریع در حوزه فرکانس استخراج گردید. برای تشخیص و طبقه‌بندی سیگنال‌های صوتی،‏ تکنیک‌های هوش مصنوعی شامل شبکه عصبی مصنوعی و استنتاج فازی-عصبی تطبیقی (انفیس) بکار گرفته شد و کارآیی آن‌ها از نظر دقت مورد مقایسه قرار گرفت. شبکه عصبی مورداستفاده،‏ از نوع پرسپترون چندلایه با الگوریتم پس انتشار خطا و تابع یادگیری لونبرگ- مارکوارت (LM)‎ بود. در طبقه‌بندی با مدل انفیس،‏ به دلیل محدودیت این مدل در تعداد ورودی‌ها،‏ از سه مؤلفه اصلی چگالی طیف توان که از الویت بالاتری برخوردار بودند به‌عنوان ورودی و از تکنیک شبکه‌ای با روش بهینه‌سازی هیبرید برای آموزش استفاده شد. در مقایسه کارآیی دو تکنیک هوش مصنوعی در درجه‌بندی ارقام بادام،‏ مدل شبکه عصبی مصنوعی با میانگین دقت طبقه‌بندی 2‎/96 درصد نسبت به مدل انفیس با میانگین دقت 81 درصد،‏ از عملکرد بهتری برخوردار بود.

کلیدواژه‌ها

• درجه‌بندی آکوستیک
• شبکه عصبی مصنوعی
• بادام
• آکوستیک
• استنتاج فازی
• استنتاج فازی – عصبی تطبیقی (انفیس)

عنوان مقاله [English]

Comparison of the performance of ANN and ANFIS models in acoustic detection and classification of almond varieties

نویسندگان [English]

• Ali Reshadsedghi
• Asghar Mahmoudi

چکیده [English]

Due to the possibility of mixing hard, semi soft and soft almonds with different market value after harvesting, using an effective separation system for supplying uniform products to market is essential. In order to classify almond varieties, an intelligent impact-acoustic system was used. The system operation was done by dropping almond nuts onto a steel impact plate through a pipe. Then features such as amplitude, phase and power spectral density (PSD) of almond nuts were extracted from analysis of sound signal captured by a microphone in both time and frequency domains by means of Fast Fourier Transform. Principal component analysis method was used to reduction of features. Two types of artificial intelligence techniques included Artificial Neural Networks (ANN's) and Adaptive Neuro-Fuzzy Inference System (ANFIS) were used to classify of almond nuts and their performance was compared. The neural network used, the multi-layer perceptron with back propagation algorithm and LM learning function. In ANFIS system, due to the limitation of inputs number, the three principal components of PSD feature that had higher priority were selected as inputs and hybrid optimization techniques were used for classification of almond classes as outputs. In comparing artificial intelligence techniques, ANN with about 96.2% accuracy had more performance to classify almond nuts than the ANFIS with 81% accuracy.