ساخت و ارزیابی سامانۀ آکوستیک هوشمند برای درجه‌بندی زمان واقعی بادام

هدف از این تحقیق، دستیابی به یک فناوری با کارآیی بالا و کم‌هزینه، برای درجه‌بندی غیر مخرب بادام به ‌صورت زمان واقعی است. برای نیل به این هدف، نمونۀ آزمایشگاهی یک سامانۀ درجه‌بندی ضربه صوتی هوشمند و خودکار مرکب از واحد تغذیه، واحد تشخیص آکوستیک و جداکننده نیوماتیکی محصول به همراه سامانۀ کنترل‌کنندۀ الکترونیکی ساخته شد.  در ارزیابی سامانۀ مزبور برای طبقه‌بندی ارقام بادام در سه کلاس سنگی، نیمه‌کاغذی و کاغذی، سیگنال صوتی حاصل از برخورد هستۀ بادام با صفحۀ فولادی، با میکروفون دریافت و ویژگی‌هایی نظیر دامنه، فاز و چگالی طیف توان پس از پردازش سیگنال‌ها در حوزۀ زمان و  با تبدیل فوریه سریع (fft) در حوزۀ فرکانس استخراج شد.  در کلیۀ آزمایش‌ها، از شبکه‌های عصبی نوع پرسپترون چندلایه (mlp) با الگوریتم پس انتشار خطا و تابع یادگیری lm استفاده گردید.  در طبقه‌بندی ارقام بادام به‌حالت برون‌خط، میانگین دقت طبقه‌بندی با داده‌های اعتبار سنجی 2/96 درصد به ‌دست آمد که این میزان دقت در طبقه‌بندی برخط، به حدود 88 درصد کاهش یافت.  علت احتمالی کاهش دقت در طبقه‌بندی، تاثیر پراکندگی اندازه یا اختلاف جرم بین نمونه‌های بادام در هریک از کلاس‌های سنگی و نیمه‌کاغذی بوده است.

Construction and Evaluation of Intelligent Acoustic System for RealTime Grading of Almonds

This study was conducted to achieve effective and lowcost technology for nondestructive grading of unshelled almonds in real time. A laboratory prototype of an intelligent online impactacoustic 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, semisoft, 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 semisoft classes.