دسته‌بندي هوشمند هندوانه‌ي رقم چارلستون‌گرِي بر اساس ميزان رسيدگي با استفاده از پردازش سيگنال‌هاي آكوستيك

Intelligent Classification of Charleston Gray Watermelon Variety Based on Fruit Ripeness Using Acoustic Signal Processing

با توجه به بحران آب موجود در سطح كشور و فرايند آبياري سنتي هندوانه، امكان كاهش كاشت و در نتيجه افزايش قيمت اين محصول در سال‌هاي آتي وجود دارد كه اين امر ضرورت تعيين شاخص‌هايي براي انتخاب هندوانه‌ي با كيفيت را پر رنگ‌تر مي‌كند. هدف از انجام اين پژوهش دسته‌بندي هندوانه‌ي رقم چارلستون‌گري به كلاس‌هاي نارس، رسيده و بيش‌رس است كه در اين راستا از پردازش سيگنال‌هاي آكوستيك و الگوريتم‌هاي داده‌كاوي و تكنيك‌هاي هوش مصنوعي بهره گرفته شده است. پس از تهيه‌ي نمونه‌ها، ابتدا سيگنال‌هاي صوتي از موقعيت‌هاي مختلف هندوانه به وسيله‌ي يك ضربه‌زن مجهز به سلونوئيد اخذ و سپس با انجام ارزيابي‌هاي حسي كلاس نمونه‌ها تعيين شد. روش‌هاي پردازش سيگنال در حوزه زمان، حوزه‌ي فركانس و پردازش به كمك تبديل موجك براي استخراج ويژگي‌هاي با اهميت از سيگنال‌هاي صوتي هندوانه‌ها مورد استفاده قرار گرفته و با استفاده از آزمون t تعدادي از ويژگي‌هايي كه در تمايز كلاس‌ها معني‌دار بودند انتخاب شدند. از الگوريتم‌هاي ماشين بردار پشتيبان و K همسايگي نزديك براي دسته‌بندي نمونه استفاده گرديد. در مجموع 52 درصد از كل نمونه‌ها به‌صورت صحيح توسط كارشناسان خبره دسته‌بندي شدند. براي ساچمه‌ي فلزي، الگوريتم SVM، با تابع هسته‌ي درجه‌ي 3 براي سيگنال‌هاي صوتي مستخرج از موقعيت وسط، دقت 78 درصد و براي سيگنال‌هاي صوتي مستخرج از موقعيت ساقه با تابع هسته گاوسي دقت 75 درصد را حاصل كرد. بهترين دسته‌بندي با مقدار 79 درصد براي جنس ساچمه‌ي فلزي و موقعيت سمت ساقه با الگوريتم دسته‌بند KNN و متريك فاصله‌ي كسينوسي حاصل شد.

According to the water crisis in the country and watermelon traditional irrigation process, it is possible to reduce planting and consequently increase the price of this product in the coming years, which highlights the necessity of indices for choosing high-quality watermelons. The purpose of this study is classification of the Charleston Gray watermelon variety into unripe, ripe and overripe classes, in this regard acoustic signals processing, data mining algorithms, and artificial intelligence techniques have been used for this purpose. After preparing the samples, firs through a capacitive microphone, signals acquired from different positions of watermelon using a solenoid and then, samples classes were determined by performing sensory evaluations. Signal processing techniques in time, frequency, processing domains and wavelet transformation were used for extraction of important features from acoustic signals of the watermelons, then some of the features that were significant in classification were selected using the t-test. Support Vector Machines and K Nearest Neighbor algorithms were used for sample classification. Totally 52% of the samples were classified correctly by experts. For metal ball, SVM algorithm with cubic kernel function resulted 78% correctly classification for acoustic signals obtained from middle position and Gaussian kernel function resulted 75% correctly classification for signals obtained from stem side position. K Nearest Neighbor algorithm equipped with the cosine distance resulted highest samples classification with a precision of 79% for the metal ball and the position of the stem side.