پیش‌بینی جرم و حجم پرتقال رقم محلی دزفول با استفاده از شبکه های عصبی MLP

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه شهید چمران اهواز، ایران

2 استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه فردوسی مشهد، ایران

چکیده

استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال برحسب ابعاد هندسی (ANN(h,w,t)) و سطح تصویر (ANN(A)) میوه استفاده گردید. شبکه عصبی پرسپترون چندلایه (MLP) با یک لایه مخفی، تابع سیگموئید به عنوان تابع فعال سازی نرون ها و الگوریتم پس انتشار با نرخ یادگیری کاهشی (BDLRF) برای آموزش شبکه انتخاب شد. نتایج مقایسههای آماری نشان داد که اختلاف بین مقادیر واقعی و پیش‌بینی شده توسط شبکه های عصبی معنی‌دار  نیست؛ همچنین حداقل مقدار ضریب تبیین (R2) برای هر یک از متغیرهای جرم و حجم در هر سه مرحله پیاده سازی شبکه عصبی(آموزش، معتبرسازی و آزمون) برابر با 96/0 بود. در مقایسه عملکرد دو مدل شبکه عصبی، بر اساس کوچکی معیارهای RMSE و MAPE و بزرگی ME ، مشخص شد که شبکه عصبی ANN(h, w, t) به ANN(A) در هر سه مرحله آموزش، معتبرسازی و آزمون برتری دارد. همچنین مقایسه عملکرد مدل‌های شبکه عصبی با مدل‌های رگرسیونی ( F(h,w,t) و F(A) ) نشان داد که اختلاف بین آنها معنی‌دار نبوده، ولی عملکرد پیش‌بینی مدل رگرسیونی F(h,w,t) بهتر از F(A) و در نهایت عملکرد مدل ANN(h,w,t) بهتر از مدل رگرسیونی F(h,w,t) می‌باشد. 

کلیدواژه‌ها


عنوان مقاله [English]

Mass and Volume Prediction of Orange Fruit (Dezful Local Variety) Using MLP Neural Networks

نویسندگان [English]

  • H Masoudi 1
  • A Rohani 2
  1. Ahmadi, H.R. and Amiri Parian., J. 2015. Orange recognition on tree using image processing method based on lighting density pattern. Journal of Agricultural Machinery, 5(1): 92-100. (in Persian with English abstract)
  2. Beale, R., and Jackson, T. 2001. Neural computing: An introduction. Alborzi, M. Institute of Scientific Publications, Sharif University of Technology. 1st Printing, Tehran, Iran. 137 Pages. (in Persian)
  3. Dadvar, A.A., Khojastepoor, M., and Sadrnya, H. 2013. Comparison of orange mass determination models based on geometric characteristics required for design of grading machine. 7th Student Conference of Mechanical Engineering. 20-22 February 2013. Mechanical Engineering Faculty, University of Tehran, Iran. (in Persian)
  4. DeltaT Devices Company. 1998. WinDias 2.0 area meter. http://www.delta-t.co.uk (Accessed November 2014).
  5. Izadi, H., Kamgar, S., and Raoufat, M.H. 2016. Defect detection and grading of tomato using machine vision technology and neuro-fuzzy networks. Journal of Agricultural Machinery, (in press), (in Persian with English abstract).
  6. Jafarlou, M. and Farrokhi Teimourlou, R. 2014. Estimation of apple volume and its shape indentation using image processing technique and neural network. Journal of Agricultural Machinery, 4(1): 57-64. (in Persian with English abstract)
  7. Kia, S.M. 2010. Soft computing using MATLAB (4 in 1). Kian Rayaneh Sabz Publishing, 1st Printing, Tehran, Iran. 623 Pages. (in Persian)
  8. Mahmoudi, A., Khalesi, S., Hoseinpoor, A., and Alipoor, A.H. 2010. Audio identification of walnut genotypes using artificial neural networks. 6th National Congress on Agricultural Machinery Engineering and Mechanization, 15-16 September 2010, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran. (in Persian)
  9. Mohsenin, N.N. 1986. Physical properties of plant and animal materials. Second revised. Gordon and Breach Sci. Publ, New York, USA.
  10. Motavali, A., Minaei, S., Khoshtaqaza, M.H., Kazemi, M., and Nikbakht, A.M. 2010. Comparison of mathematical and neural networks models prediction for pomegranate seed drying. 6th National Congress on Agricultural Machinery Engineering and Mechanization, 15-16 September 2010, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran. (in Persian)
  11. Nasiri, A., Mobli, H., Rafiee, S., and Rezaei, K. 2014. Kinetic model simulation of thin-layer drying of thyme (Thymus vulgaris L.) using adaptive neuro-fuzzy inference system (ANFIS). Journal of Agricultural Engineering, 36(2): 37-48. (in Persian with English abstract)
  12. Rohani, A., Saedi, S.I., Grailu, ​​H., and Aghkhani, M.H. 2015. Prediction of lateral surface, volume and sphericity of pomegranate using MLP artificial neural network. Journal of Agricultural Machinery, 5(2): 292-301. (in Persian with English abstract)
  13. Sajjadi, S.J., Ghazanfari Moghaddam, A., and Rostami, A. 2010. Using wavelet transformation and neural network for detecting blank (hollow) pistachio nuts. Iranian Journal of Biosystem Engineering, 40(2): 155-161. (in Persian with English abstract)
14. Stroshine, R., and hamann, D. 1994. Physical properties of agricultural materials and food products. Copyright 1994 (August) by Richard Stroshine.
15. Tabatabaeefar, A., Vefagh-Nematolahee, A., and Rajabipour, A. 2000. Modeling of orange mass based on dimensions. Journal of Agricultural Science and Technology, 2: 299305.
16. Topuz, A., Topakci, M., Canakci, M., Akinci, I., and Ozdemir, F. 2005. Physical and nutritional properties of four orange varieties. Journal of Food Engineering, 66(4): 519–523.
17. Zarifneshat, S., Rohani, A., Ghassemzadeh, H.R., Sadeghi, M., Ahmadi, E., and Zarifneshat, M. 2012. Predictions of apple bruise volume using artificial neural network. Computers and Electronics in Agriculture, 82: 75-86.