رويكرد جديد حسگر صوتي براي پيشبيني درصد دانه‌هاي پرشدۀ برنج بر اساس طيف جذب صوتي به روش طيف عميق

برنج يكي از اصلي‌ترين غلات جهان شناخته مي‌شود كه دوسوم جمعيت جهان به‌ويژه در كشورهاي آسيايي، از آن تغذيه مي‌كنند. ارزيابي دقيق درصد دانه‌هاي پرشده (PFG) براي كارايي و كيفيت برداشت برنج حياتي است. روش‌هاي سنتي اندازه‌گيري درصد دانه‌هاي پرشده كاربردي و مبتني بر قضاوت شخصي است. اين مطالعه رويكردي نوآورانه و غيرمخرب بر پايه حسگر صوتي در كنار مدل‌هاي يادگيري عميق براي پيش‌بيني درصد دانه‌هاي پرشده بر اساس طيف صوتي دانه‌هاي برنج ارائه مي‌دهد. با استفاده از معماري پيشرفته يادگيري عميق، طيف عميق كه مستقيماً روي داده‌هاي طيفي خام كار مي‌كند، نياز به پيش‌پردازش حذف شد و دقت پيش‌بيني بهبود يافت. از لوله امپدانس تغييريافته، براي اندازه‌گيري طيف صوتي استفاده شد؛ سپس با استفاده از مدل طيف عميق براي پيش‌بيني درصد دانه‌هاي پرشده، يافته‌ها تجزيه‌وتحليل گرديد. نتايج نشان داد كه اين رويكرد تجزيه‌وتحليل داده‌هاي طيفي كمّي را به‌طور قابل توجهي بهبود بخشيده و پيش‌بيني قابل اعتمادي از پرشدگي دانه‌هاي برنج ارائه مي‌دهد. دقت پيش‌بيني مدل طيف عميق در مقايسه با روش‌هاي سنتي به‌طور قابل توجهي بالاتر بود و خطاي جذر ميانگين مربعات پيش‌بيني (RMSEP) پايين (0.05 ± 0.24) و ضريب تعيين (R²)  (0.02 ± 0.95) بدست آمد. پيش‌بيني كه براي ارزيابي كيفيت برنج، اصلاح نژاد و تحقيقات ژنتيكي برنج حياتي است. اين مطالعه ديدگاه و روش‌هاي جديدي را درزمينۀ پيش‌بيني و طبقه‌بندي كيفيت دانه‌ها با استفاده از تحليل طيف صوتي و يادگيري عميق به حوزه تحقيقات كشاورزي ارائه مي‌دهد كه مي‌تواند براي پژوهش‌هاي آتي در اين زمينه مفيد باشد.