رویکرد جدید حسگر صوتی برای پیشبینی درصد دانه های پرشده برنج بر اساس طیف جذب صوتی به روش طیف عمیق

برنج یکی از اصلی ترین غلات جهان شناخته می شود که دوسوم جمعیت جهان به ویژه در کشورهای آسیایی، از آن تغذیه می کنند. ارزیابی دقیق درصد دانه های پرشده (PFG) برای کارایی و کیفیت برداشت برنج حیاتی است. روش های سنتی اندازه گیری درصد دانه های پرشده کاربردی و مبتنی بر قضاوت شخصی است. این مطالعه رویکردی نوآورانه و غیرمخرب بر پایه حسگر صوتی در کنار مدل های یادگیری عمیق برای پیش بینی درصد دانه های پرشده بر اساس طیف صوتی دانه های برنج ارائه می دهد. با استفاده از معماری پیشرفته یادگیری عمیق، طیف عمیق که مستقیما روی داده های طیفی خام کار می کند، نیاز به پیش پردازش حذف شد و دقت پیش بینی بهبود یافت. از لوله امپدانس تغییریافته، برای اندازه گیری طیف صوتی استفاده شد؛ سپس با استفاده از مدل طیف عمیق برای پیش بینی درصد دانه های پرشده، یافته ها تجزیه وتحلیل گردید. نتایج نشان داد که این رویکرد تجزیه وتحلیل داده های طیفی کمی را به طور قابل توجهی بهبود بخشیده و پیش بینی قابل اعتمادی از پرشدگی دانه های برنج ارائه می دهد. دقت پیش بینی مدل طیف عمیق در مقایسه با روش های سنتی به طور قابل توجهی بالاتر بود و خطای جذر میانگین مربعات پیش بینی (RMSEP) پایین (۰۵/۰ ± ۲۴/۰) و ضریب تعیین (R²)  (۰۲/۰ ± ۹۵/۰) بدست آمد. پیش بینی که برای ارزیابی کیفیت برنج، اصلاح نژاد و تحقیقات ژنتیکی برنج حیاتی است. این مطالعه دیدگاه و روش های جدیدی را درزمینه پیش بینی و طبقه بندی کیفیت دانه ها با استفاده از تحلیل طیف صوتی و یادگیری عمیق به حوزه تحقیقات کشاورزی ارائه می دهد که می تواند برای پژوهش های آتی در این زمینه مفید باشد.

کلیدواژه ها:

اندازه گیری غیرمخرب ، تحلیل طیفی ، حسگر صوتی برنج ، ضریب جذب صوتی ، طیف عمیق