طراحي، ساخت و ارزيابي دستگاه توزين تخم مرغ به كمك سنسور خازني و شبكه عصبي

Design, Fabrication and Evaluation of Egg Weighing Device Using Capacitive Sensor and Neural Networks

درجه بندي محصولات كشاورزي براي عرضه به بازارهاي داخلي و خارجي همواره از اهميت ويژهاي برخوردار بوده است. درجه بندي بر اساس پارامترهاي مختلفي از جمله رنگ، رسيدگي، ابعاد و وزن انجام ميگردد. وزن محصول در اكثر موارد از پارامترهاي موثر در درجه بندي مي باشد. در درجه بندي محصول تخم مرغ نيز، ميزان درشتي در بازاريابي بسيار مهم مي باشد. هدف از انجام اين تحقيق، طراحي، ساخت و ارزيابي دستگاه توزين تخم مرغ بر اساس خواص ديالكتريك آن بوده است. يك نمونه از اين دستگاه طراحي و ساخته شد. دستگاه طراحي شده از بدنه، منبع تغذيه، واحد توليد سيگنال سينوسي، واحد اندازه گيري ولتاژ، ميكروكنترلر AVR واحد ارتباط با كامپيوتر (PORT COM)، حسگر خازني، نمايشگر و صفحه كليد تشكيل شده است و از شبكه عصبي براي پيش بيني وزن تخم مرغ استفاده شده است. شبكه عصبي ساخته شده 16 مقدار ولتاژ در بسامدهاي مختلف را به عنوان ورودي دريافت نموده و مقدار وزن را به عنوان خروجي ارائه مي دهد. براي واسنجي و ارزيابي دستگاه توزين، 150 عدد تخم مرغ مورد نياز از يك واحد مرغداري به صورت تازه و در روز تخمگذاري تهيه گرديد. آزمايش به سه دسته تقسيم شد. دسته اول در روز تخم گذاري، دسته دوم در روز دوم انبارداري و دسته سوم در روز چهارم انبارداري مورد آزمايش قرار گرفتند. بهترين نتايج با شبكه عصبي سهلايه داراي 10 نرون در لايه مخفي اول و 7 نرون در لايه مخفي دوم به دست آمد و بنابراين از شبكه با مشخصات مذكور براي پيش بيني وزن تخم مرغ استفاده شد.

Agricultural products grading always has a particular important position for submission to domesic and abroad markets. Grading treatment is carried out based on various parameters such as color, ripeness level, dimensions and weight. Product weight is one of the most effective parameters in grading operation. In egg grading, the largeness value is very important in marketing. This research aimed to design, fabrication and evaluation of the egg weighing system based on its dielectric properties. A prototype unit of weighing system was designed and fabricated. The designed unit was composed of chassis, voltage source, sinusoidal signal generator, voltage measurement unit, AVR microcontroller, port com, capacitive sensor, LCD and keyboard. Neural network technique was used for egg weight prediction. The designed net receives 16 voltage values in different frequencies as inputs and its output is the egg weight. In order to calibrate and evaluate the weighing unit, 150 fresh egg samples were provided on laying day from a local poultry farm. Experiments were divided in 3 groups. Experiments were carried out on laying day, second and fourth day after laying. The best results were obtained with a 3 layers net having 10 and 7 neurons in first and second hidden layer, respectively. therefore, this net was applied for egg weight prediction