پژوهش‌های مکانیک ماشینهای کشاورزی

چکیده برنج غذای اصلی حدود 2/5 میلیارد نفر از جمعیت جهان است. کیفیت این محصول تحت تاثیر عوامل مختلفی است. در نتیجه، کنترل کیفیت و تشخیص تقلب از مسائل مهم صنعت برنج محسوب می شود. هدف از این تحقیق، بررسی و تشخیص تقلب برنج با بکارگیری روش طیف سنجی Vis/NIR و روش های شیمی سنجی و یادگیری ماشین بود. برای انجام آزمایش ها 13 کلاس براساس میزان اختلاط رقم اصلی برنج (رقم هاشمی) با ارقام غیراصلی فجر، گیلانه، خزر و شیرودی تهیه شد، بدین صورت که کلاس های ناخالص حاصل اختلاط 90، 80 و 70 درصد از برنج رقم هاشمی به ترتیب با 10، 20 و 30 درصد از ارقام دیگر مورد اشاره بود. برای طبقه بندی نمونه های برنج از الگوریتم های پرسپترون چندلایه (MLP)، درخت تصمیم (DT) و ماشین های بردار پشتیبان (SVM) استفاده شد. برای ارزیابی عملکرد طبقه بندهای مورد مطالعه از شاخص های آماری شامل حساسیت (Se)، ویژه بودن (Sp)، صحت (Ac) و ریشه میانگین مربعات خطا (RMSE) در قالب توسعه ماتریس های آسیمگی طبقه بندها استفاده شد. نتایج مطالعه نشان داد که الگوریتم های درخت تصمیم از نوع J48، شبکه های عصبی مصنوعی پرسپترون چندلایه و ماشین بردار پشتیبان با تابع هسته RBF به ترتیب با مقادیر صحت و RMSE برابر با 100 درصد و صفر، 96/92 درصد و 0/0951 و 92/31 درصد و 0/2483 توانستند نمونه های مختلف برنج سفید را طبقه بندی کنند.

چکیده فیله ماهی محصولی بسیار حساس به فساد است و بررسی کیفیت و بهداشت آن قبل از مصرف ضروری است. بسیاری از روش‌های تعیین کیفیت و تازگی ماهی برپایه آزمون‌های مخرب و زمان‌بر است. در این پژوهش توانایی تلفیق روش‌های غیرمخرب امواج فراصوت، سنجش مقاومت الکتریکی و رنگ‌سنجی برای پایش تازگی فیله ماهی قزل‌آلا در دمای یخچال مورد ارزیابی قرار گرفت. نمونه‌هایی از فیله‌ ماهی تهیه و به مدت 12 روز در دمای یخچال نگهداری شد و طی این مدت آزمون‌های فیزیکی شامل میرایی امواج فراصوت، مقاومت الکتریکی و رنگ سنجی برای تعیین مولفه‌های رنگی در دو فضای رنگی RGB و La*b*، و آزمون حسی فیله‌ها (رنگ، عطر، طعم و بافت) انجام شد. آزمون شیمیایی برای تعیین میزان خاکستر، پروتئین و چربی فیله‌ها در این مدت نیز صورت گرفت. داده‌های استخراج شده از آزمون‌های فیزیکی مختلف در دو مدل شبکه عصبی و درخت تصمیم برای تعیین تازگی ماهی مورد استفاده قرار گرفتند و نتایج مدل‌ها برای انتخاب بهترین مدل برای دسته‌بندی مقایسه شد. شبکه‌های عصبی متفاوت تک لایه مخفی با تعداد نرون‌های 1 تا 10 و درخت تصمیم با پنج الگوریتم (LMT، J48، REP، random forest، random tree) ارزیابی شدند. داده‌های آزمون‌های فیزیکی به عنوان ورودی و روزهای نگهداری به عنوان خروجی برای هریک از مدل‌ها در نظر گرفته شد. بر اساس نتایج به دست آمده بیشترین دقت طبقه‌بندی (100%) و کمترین مقدار میانگین خطا (02/0) در شبکه عصبی با تعداد 6 نرون در لایه مخفی و مقادیر متناظر 100 درصد و حدود صفر مربوط به عملکرد درخت تصمیم با الگوریتم J48 بود. نتایج حاصل از ماتریس اغتشاش نیز دقت این این دو روش طبقه‌بندی را مورد تایید قرار داد. در مجموع تلفیق سه روش فیزیکی با الگوریتم درخت تصمیم بهترین عملکرد را برای دسته‌بندی فیله‌ها بر اساس تازگی (بر اساس روز ماندگی) بدست داد.

چکیده بررسی وضعیت مقاومت نفوذ خاک مزارع نیشکر و همچنین شناسایی عوامل تأثیرگذار بر آن از اهمیت زیادی برخوردار است. روش‌های متفاوتی برای این ارزیابی و پیش‌بینی وجود دارد. در این مطالعه با استفاده از الگوریتم‌های درخت تصمیم (CART و CHAID) به کشف مدل‌ها و الگوریتم‌های مؤثر، پرداخته شده است. پس از معرفی متغیرهای عمق خاک، تعداد تردد، رطوبت خاک، بافت خاک، سرعت پیشروی و سن گیاه به عنوان متغیرهای پیش‌بینی‌کننده درخت تصمیم و همچنین شاخص مخروط خاک به عنوان متغیر وابسته، به دو الگوریتم مذکور وارد شدند. الگوریتم‌ها توسط دو شاخص آماری ضریب همبستگی (R2) و متوسط مطلق خطا (MAE) مورد ارزیابی قرار گرفتند. نتایج نشان داد بر اساس دو شاخص آماری، مدل درختی CART با مقدار 0.952 R2= و MAE=0.504 (مگاپاسکال) عملکرد بهتری در پیش‌بینی مقاومت نفوذ خاک مزارع نیشکر داشته است و به عنوان الگوریتم پیشنهادی به شرکت کشت و صنعت نیشکر امیرکبیر ارائه گردیده است. نتایج به‌دست آمده از مدل نشان داد که روش تصمیم‌گیری درختی قادر است با استفاده از متغیرهای مؤثر، مقاومت نفوذ خاک مزارع را با دقت بالایی پیش‌بینی کند. همچنین با توجه به تفسیر ساده درخت تصمیم و قابل فهم بودن قوانین استخراج از آن برای کارشناسان کشاورزی کشت و صنعت، می‌توان در سطوح مختلف از آن استفاده نمود.