توسعه روشی مبتنی بر یادگیری ماشینی و ویژگی های خازنی برای شناسایی ارقام میوه خرما

در بسیاری از باغ های خرما، انواع مختلفی از میوه های خرما به طور معمول پرورش می یابد. هر کدام از اینگونه ها دارای خواص فیزیکی و شیمیایی متفاوتی هستند. بنابراین در اولین گام توسعه سامانه های سورتینگ هوشمندو نظارت بر کیفیت، توسعه روشی خودکار برای شنا سایی نوع واریته خرما ب سیار مطلوب است. هدف این مطالعهتوسعه یک الگوریتم طبقه بندی انواع میوه خرما با استفاده از پاسخ های الکترونیکی از حسگرهای خازنی و یک مبدلنیرو است. برای به دست آوردن همزمان خواص خازنی شامل فرکانس و پاسخهای آنالوگ میوه خرما و پارامترهاینیروی مربوط به وزن میوه خرما، یک پلت فرم الکترونیکی طراحی و ساخته شد. در این پلت فرم، پا سخ های خازنیو پارامترهای نیرو با راه اندازی آی سی ۵۵۵ و کالیبره کردن یک لودسل ۱ کیلوگرمی فراهم میشد. ۱۲۰ میوه خرمااز چهار رقم مختلف زاهدی، قصب، مضافتی و مجول برای تو سعه مدل در نظر گرفته شد. در مجموع ۳۰ در صد ازنمونه ها برای ارزیابی طبقه بندی نهایی جدا شدند. درخت تصمیم (DT) به عنوان یک روش یادگیری نظارت شدهناپارامتریک برای طبقه بندی انتخاب شد. برای تنظیم مدل طبقه بند با بهترین هایپرپارامترها، با برازش ۳ تا ( Fold )برای هر یک از ۲۲۰۴ نامزد، در مجموع ۶۶۱۲ برازش مورد بررس ی قرار گرفت. ارزیابی مدل توسعه یافته منجر بهکیفیت طبقه بندی با شاخص F به ترتیب ۶۴ ، ۸۰ ، ۱۰۰ و ۱۰۰ درصد برای چهار رقم زاهدی، قصب، مضافتی و مجولشد. نتیجه گیری شد که سیستم طبقه بندی پایه خازنی توسعه یافته میتواند با موفقیت برای طبقه بندی میوه خرما باکیفیت قابل قبول به کار گرفته شود.

کلیدواژه ها:

خرما ، خازن ، آیسی ۵۵۵ ، یادگیری ماشین