Design and construction of real time sorting and grading machine of hazelnut using acoustic signal processing method

Naderi-Gar gari, Saber (2017) Design and construction of real time sorting and grading machine of hazelnut using acoustic signal processing method. Masters thesis, University of Mohaghegh Ardabili.

[img]
Preview
Text (طراحی و ساخت سیستم هوشمند آنلاین سورتینگ فندق با به‌کارگیری پردازش سیگنال آکوستیک و شبکه عصبی مصنوعی)
Saber Naderi-Gar gari.pdf

Download (580kB) | Preview
Official URL: http://www.uma.ac.ir

Abstract

: In this research, a method is presented for grading and sorting and categorizing of hazelnut by combining acoustic signal processing and artificial neural network (ANN) techniques. For this purpose a system was designed and constructed which acoustic signal was produced using a 130×130mm steel plate with thickness of 3mm. By contacting the hazelnut to the steel plate, the produced sound was measured by a microphone which was placed under the plate and it was transmitted to the computer by sound card to save in the computer memory and for the real time and next processes on MATLAB and LABVIEW2014 software. To avoid the excessive environment ambient noises a Infrared circuit and sensor was used. For designing the circuit and programming of Data acquisition Card, electronic software Express and LABVIEW were used, respectively. Time and wavelet domains were used in data acquisition. For sorting and grading of hazelnuts, MATLAB software was used... After extracting features of signals, The SOM Neural Network, which is a self-learning and validation tool, is selected. The choice of an optimal model based on the specificity of the individual Compression Cluster, which determines the number of neurons that are used concurrently For evaluating system performance, 400 hazelnuts were used in four groups including 100 sound large, 100 sound small, 100 defected, broken and100 sound empty nuts. The most suitable network of SOM for sorting hazelnut is for full large, full small, different dimension broken and empty hazelnuts As Structure 4 groups was obtained to have a 2000–1–4 architecture.. Finally the accuracy for full large, full small, different dimension broken and empty hazelnuts were 97.1%,98.2%, 94.1% and 89.7% respectively and it showed the total accuracy of 94.8% for system in offline mode. By using this neural Self-organizing network and Check online mode That compilation from MATLAB and LABVIEW software for100 hazelnuts for each group, the accuracy for full big, full small, different dimension broken and empty hazelnuts were (79.2%), (68.5%), (67.3%) and (69.4%), respectively and it showed the total accuracy of (71.1%)for system in online mode. it provides a high-level control, fast response rate software LABVIEW2014.

Item Type: Thesis (Masters)
Persian Title: طراحی و ساخت سیستم هوشمند آنلاین سورتینگ فندق با به‌کارگیری پردازش سیگنال آکوستیک و شبکه عصبی مصنوعی
Persian Abstract: در این پژوهش با تلفیق تکنیک های پردازش سیگنال صوتی و شبکه عصبی مصنوعی، روشی برای دسته‌بندی و درجه‌بندی فندق ارائه شده است. بدین منظور، سیستمی طراحی و ساخته شد که درآن برای ایجادسیگنال‌های صوتی یک صفحه فولادی باضخامت mm3 و ابعاد mm130 × mm130 مورداستفاده قرار گرفت. با برخورد فندق به صفحه فولادی، صدای تولیدشده توسط میکروفنی که در زیر صفحه فولادی تعبیه شده بود، اندازه‌گیری و جهت ذخیره و پردازش های بعدی وآنلاین، توسط برنامه‌های نوشته‌شده در نرم‌افزارهای MATLAB و LABVIEW از طریق کارت صوتی به کامپیوتر منتقل شد. برای حذف صداهای محیطی اضافی، ازمدار و حسگرهای مادون‌قرمز استفاده شدکه درطراحی مدار آن از نرم‌افزار اکس پرس و برای برنامه نویسی ماژول و کارت جمع¬آوری دیتا از نرم‌افزار لب¬ویو استفاده شد. درقسمت اکتساب داده از خصوصیات حوزه زمان و حوزه ویولت برای این کار استفاده شد. برای دسته‌بندی و درجه‌بندی فندق از شبکه عصبی مصنوعی متلب استفاده شد که پس از استخراج ویژگی سیگنال‌های حاصل از برخورد، از شبکه عصبی SOM که یادگیری و اعتبارسنجی تواما بصورت خودکار انجام می‌گیرد، انتخاب شد. انتخاب مدل بهینه بر اساس شباهت و نزدیکی خصوصیات و تراکم خوشه‌ها که نشاندهنده تعداد نرون‌های مورداستفاده در تقریب می‌باشد، صورت گرفت. برای ارزیابی عملکرد سیستم،400 فندق که 100 عدد شامل فندق بزرگ سالم، 100 عدد شامل فندق کوچک سالم، 100 عدد شامل فندق شکسته و 100 عدد شامل فندق پوچ بود، مورداستفاده قرار گرفت. مناسب‌ترین مدل شبکه عصبی برای درجه‌بندی فندق‌ها به دسته های فندق بزرگ سالم، کوچک سالم، شکسته و پوک SOM بوده و بصورت ساختار 4-1-2000 به دست آمد. در نهایت دقت برای تشخیص فندق‌های بزگ پر 1/97%، کوچک پر 2/98%، شکسته با ابعاد متفاوت 1/94% و پوک 7/89% به دست آمد که حاکی از دقت کلی 8/94% برای سیستم ارائه شده در حالت آفلاین می‌باشد. با استفاده از نوع شبکه عصبی خودسازمانده و با بررسی در حالت آنلاین‌ که تلفیقی از نرم افزارهای متلب و لب ویو برای 100 عدد از هر فندق، دقت (2/79%)، برای فندق¬های بزرگ پر، (5/68%) برای فندق¬های کوچک پر، (3/67%) فندق‌های شکسته با ابعاد متفاوت و (4/69%) فندق¬های پوک به دست آمد که حاکی از دقت کلی (1/71%) برای سیستم ارائه شده در حالت آنلاین می‌باشد.
Supervisor:
SupervisorE-mail
Abbaspour-Gilandeh, YousefUNSPECIFIED
Rasooli-Sharabiani, ValiUNSPECIFIED
Advisor:
AdvisorE-mail
-, -UNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 03 Oct 2018 11:05
Last Modified: 03 Oct 2018 11:05
URI: http://repository.uma.ac.ir/id/eprint/325

Actions (login required)

View Item View Item