رویکرد جدید حسگر صوتی برای پیشبینی درصد دانه‌های پرشدۀ برنج بر اساس طیف جذب صوتی به روش طیف عمیق

برنج یکی از اصلی‌ترین غلات جهان شناخته می‌شود که دوسوم جمعیت جهان به‌ویژه در کشورهای آسیایی، از آن تغذیه می‌کنند. ارزیابی دقیق درصد دانه‌های پرشده (pfg) برای کارایی و کیفیت برداشت برنج حیاتی است. روش‌های سنتی اندازه‌گیری درصد دانه‌های پرشده کاربردی و مبتنی بر قضاوت شخصی است. این مطالعه رویکردی نوآورانه و غیرمخرب بر پایه حسگر صوتی در کنار مدل‌های یادگیری عمیق برای پیش‌بینی درصد دانه‌های پرشده بر اساس طیف صوتی دانه‌های برنج ارائه می‌دهد. با استفاده از معماری پیشرفته یادگیری عمیق، طیف عمیق که مستقیماً روی داده‌های طیفی خام کار می‌کند، نیاز به پیش‌پردازش حذف شد و دقت پیش‌بینی بهبود یافت. از لوله امپدانس تغییریافته، برای اندازه‌گیری طیف صوتی استفاده شد؛ سپس با استفاده از مدل طیف عمیق برای پیش‌بینی درصد دانه‌های پرشده، یافته‌ها تجزیه‌وتحلیل گردید. نتایج نشان داد که این رویکرد تجزیه‌وتحلیل داده‌های طیفی کمّی را به‌طور قابل توجهی بهبود بخشیده و پیش‌بینی قابل اعتمادی از پرشدگی دانه‌های برنج ارائه می‌دهد. دقت پیش‌بینی مدل طیف عمیق در مقایسه با روش‌های سنتی به‌طور قابل توجهی بالاتر بود و خطای جذر میانگین مربعات پیش‌بینی (rmsep) پایین (0.05 ± 0.24) و ضریب تعیین (r²)  (0.02 ± 0.95) بدست آمد. پیش‌بینی که برای ارزیابی کیفیت برنج، اصلاح نژاد و تحقیقات ژنتیکی برنج حیاتی است. این مطالعه دیدگاه و روش‌های جدیدی را درزمینۀ پیش‌بینی و طبقه‌بندی کیفیت دانه‌ها با استفاده از تحلیل طیف صوتی و یادگیری عمیق به حوزه تحقیقات کشاورزی ارائه می‌دهد که می‌تواند برای پژوهش‌های آتی در این زمینه مفید باشد.

a new acoustic sensing approach for predicting the percentage of filled rice grains based on the acoustic absorption spectrum using the deep spectra

rice is recognized as one of the main cereals in the world, feeding two-thirds of the global population, especially in asian countries. accurate assessment of the percentage of filled grains (pfg) is crucial for the efficiency and quality of rice harvesting. traditional methods of measuring pfg are practical and based on personal judgment. this study introduces an innovative and non-destructive approach based on an acoustic sensor alongside deep learning models to predict pfg based on the acoustic spectrum of rice grains. using an advanced deep learning architecture, the deep spectrum, which works directly on raw spectral data, eliminates the need for preprocessing and enhances prediction accuracy. a modified impedance tube was used to measure the acoustic spectrum, which was then analyzed using the deep spectrum model to predict pfg. results indicated that this approach significantly improves the quantitative analysis of spectral data and provides a reliable prediction of rice grain filling. the prediction accuracy of the deep spectrum model was significantly higher compared to traditional methods, with a low root mean square error of prediction (rmsep) of 0.24 ± 0.05 and a coefficient of determination (r²) of 0.95 ± 0.02. this prediction is vital for assessing rice quality, breeding, and genetic research. this study introduces new perspectives and methods in the field of grain quality prediction and classification using acoustic spectrum analysis and deep learning, which could be beneficial for future research in this area.