مقايسه كارآيي مدل‌هاي شبكه عصبي مصنوعي و انفيس در درجه‌بندي آكوستيك ارقام مختلف بادام

Comparison of the performance of ANN and ANFIS models in acoustic detection and classification of different almond varieties

با توجه به امكان مخلوط‌شدن انواع بادام سنگي، نيمه‌كاغذي و كاغذي با ارزش اقتصادي متفاوت پس از برداشت محصول، استفاده از يك سامانه جداكننده مؤثر براي عرضه محصولي يكنواخت به بازار فروش، اهميت بسزايي دارد. در اين پژوهش با به‌كارگيري سامانه آكوستيكي براي درجه‌بندي ارقام بادام در سه طبقه بادام سنگي، نيمه‌كاغذي و كاغذي، سيگنال صوتي حاصل از سقوط و برخورد هستة بادام با صفحه فولادي، با استفاده از يك ميكروفون دريافت شد و ويژگي‌هايي نظير دامنه، فاز و چگالي طيف توان پس از پردازش سيگنال‌ها در حوزه زمان و با تبديل فوريه سريع در حوزه فركانس استخراج گرديد. براي تشخيص و طبقه‌بندي سيگنال‌هاي صوتي، تكنيك‌هاي هوش مصنوعي، شامل شبكه عصبي مصنوعي و استنتاج فازي- عصبي تطبيقي (انفيس) به‌كار گرفته شد و كارآيي آن‌ها از نظر دقت مورد مقايسه قرار گرفت. شبكه عصبي مورد استفاده، از نوع پرسپترون چندلايه با الگوريتم پس انتشار خطا و تابع يادگيري لونبرگ- ماركوارت LM)) بود. در طبقه‌بندي با مدل انفيس، به دليل محدوديت اين مدل در تعداد ورودي‌ها، از سه مؤلفه اصلي چگالي طيف توان كه از اولويت بالاتري برخوردار بودند، به‌عنوان ورودي و از تكنيك شبكه‌اي با روش بهينه‌سازي هيبريد براي آموزش استفاده شد. در مقايسه كارآيي دو تكنيك هوش مصنوعي در درجه‌بندي ارقام بادام، مدل شبكه عصبي مصنوعي با ميانگين دقت طبقه‌بندي 96/2 درصد نسبت به مدل انفيس با ميانگين دقت 81 درصد، از عملكرد بهتري برخوردار بود.

Due to the possibility of mixing hard, semi soft and soft almonds with different market value after harvesting, using an effective separation system for supplying uniform products to the market is essential. In this research, in order to classify almond varieties, an intelligent impact-acoustic system was used. The system operation was done by dropping almond nuts onto a steel impact plate through a pipe. Then some features such as amplitude, phase and power spectral density (PSD) of almond nuts were extracted from the analysis of sound signal gained by a microphone in both time and frequency domains by means of Fast Fourier Transform (FFT). Principal component analysis method was used for reduction of the features. Two types of artificial intelligence techniques including Artificial Neural Networks (ANNs) and Adaptive Neuro-Fuzzy Inference System (ANFIS) were used to classify almond nuts and their performances were then compared. The ANN model used the multi-layer perceptron network with back propagation algorithm and Levenberg–Marquardt algorithm (LM) learning function. In ANFIS model, due to the limitation of inputs number, three principal components of PSD feature that had higher priority were selected as inputs and the almond classes as outputs. Also, hybrid optimization techniques were used for classification. By comparing the artificial intelligence techniques used here, ANN model with about 96.2% accuracy had better performance to classify almond nuts than that of the ANFIS model with 81% accuracy.