ساخت و ارزيابي سامانۀ آكوستيك هوشمند براي درجه‌بندي زمان واقعي بادام

Construction and Evaluation of Intelligent Acoustic System for Real- Time Grading of Almonds

هدف از اين تحقيق، دستيابي به يك فناوري با كارآيي بالا و كم‌هزينه، براي درجه‌بندي غير مخرب بادام به ‌صورت زمان واقعي است. براي نيل به اين هدف، نمونۀ آزمايشگاهي يك سامانۀ درجه‌بندي ضربه-صوتي هوشمند و خودكار مركب از واحد تغذيه، واحد تشخيص آكوستيك و جداكنندة نيوماتيكي محصول به همراه سامانۀ كنترل‌كنندۀ الكترونيكي ساخته شد. در ارزيابي سامانۀ مزبور براي طبقه‌بندي ارقام بادام در سه كلاس سنگي، نيمه‌كاغذي و كاغذي، سيگنال صوتي حاصل از برخورد هستۀ بادام با صفحۀ فولادي، با ميكروفون دريافت و ويژگي‌هايي نظير دامنه، فاز و چگالي طيف توان پس از پردازش سيگنال‌ها در حوزۀ زمان و با تبديل فوريه سريع (FFT) در حوزۀ فركانس استخراج شد. در كليۀ آزمايش‌ها، از شبكه‌هاي عصبي نوع پرسپترون چندلايه (MLP) با الگوريتم پس انتشار خطا و تابع يادگيري LM استفاده گرديد. در طبقه‌بندي ارقام بادام به‌حالت برون‌خط، ميانگين دقت طبقه‌بندي با داده‌هاي اعتبار سنجي 2/96 درصد به ‌دست آمد كه اين ميزان دقت در طبقه‌بندي برخط، به حدود 88 درصد كاهش يافت. علت احتمالي كاهش دقت در طبقه‌بندي، تأثير پراكندگي اندازه يا اختلاف جرم بين نمونه‌هاي بادام در هريك از كلاس‌هاي سنگي و نيمه‌كاغذي بوده است.

This study was conducted to achieve effective and low-cost technology for non-destructive grading of unshelled almonds in real time. A laboratory prototype of an intelligent online impact-acoustic system composed of a feeding unit, acoustical recognition unit, and pneumatic separator with an electronic controller unit was constructed and tested. To evaluate system operation according to almond variety and class (hard, semi-soft, and soft), the effect of an acoustic signal generated by dropping the nuts onto a steel plate was captured by microphone and the amplitude, phase, and power spectral density were extracted from analysis of the sound signal in the time and frequency domains by means of fast Fourier transform. A multilayer perceptron neural network with a LM training function were used in all experiments. The classification accuracy using validation data was about 96.2% in the offline mode, but accuracy decreased to 88% in the online mode. This decrease in accuracy was probably the result of a difference in size and mass of the almond samples in the hard and semi-soft classes.