شماره ركورد كنفرانس :
3184
عنوان مقاله :
مطالعه عكس العمل طيفي گندم هاي سالم و آسيب ديده به وسيله قارچ ها با استفاده از روش طيف سنجي
عنوان به زبان ديگر :
Investigation of spectral reaction of healthy and infected wheat by fungi using spectroscopy method
پديدآورندگان :
ظهرابي سامان دانشگاه تبريز , سيدلو صادق دانشگاه تبريز - گروه مكانيك ماشين هاي كشاورزي
كليدواژه :
گندم , قارچ , ماوراء بنفش , شبكه عصبي , تجزيه به مؤلفه هاي اصلي , تشخيص
عنوان كنفرانس :
مجموعه مقالات هشتمين كنگره ملي مهندسي ماشين هاي كشاورزي (بيوسيستم) و مكانيزاسيون
چكيده فارسي :
گندم يكي از محصولات كشاورزي مهم و استراتژيك در جهان و ايران مي باشد و از ارزش اقتصادي و غذايي بالايي برخوردار است. با توجه به واردات گندم به ويژه در مواقع خشك سالي و نيز نقل و انتقال گندم در داخل كشور تعيين سالم بودن از نظر آلودگي به عوامل قارچي اهميت زيادي دارد. هدف از اين پژوهش تشخيص گندم هاي سالم از ناسالم است كه توسط قارچهايي مثل فوزاريوم، پنيسيليوم و يا فراورده هاي قارچي مثل آفلاتوكسين و غيره مورد هجوم قرارگرفته اند. در اين پژوهش از ابزار طيف سنجي در محدوده 190- 1100 نانومتر استفاده شد كه با استفاده از روش آماري تجزيه به مؤلفه هاي اصلي، طول موج هاي 310، 330، 400 و 410 به عنوان بهترين طول موج، براي شناسايي و تشخيص گندم هاي سالم و ناسالم تشخيص داده شدند. با در نظر گرفتن شدت طول موج هاي مذكور به عنوان ورودي شبكه عصبي، نمونه ها با دقت 97.6 درصد به دسته هاي سالم و ناسالم دسته بندي شدند.
چكيده لاتين :
Wheat is one of the strategically important crops in the world and Iran. It has a high economic and nutritive value. With regard to imports of wheat, especially in times of drought and as well as the transport of wheat in the country so determining of fungal infection of wheat is important. The purpose of this study is to identify healthy wheat from unhealthy wheat which infected by fungi such as Fusarium, Penicillium and fungi products such as aflatoxin and etc. In this study spectroscopy in the range 190-1100 nm was used. With applying the principal component analysis method, wavelengths of 310, 330, 400 and 410 were the best wavelength to identify healthy and unhealthy wheat. Considering the intensity of the wavelengths as the neural network inputs, samples classified with accuracy of 97.6 percent into healthy and unhealthy categories