- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 277 |
| تعداد نشریات سازمان | 76 |
| تعداد شماره‌ها | 1,994 |
| تعداد مقالات | 22,911 |
| تعداد مشاهده مقاله | 12,266,103 |
| تعداد دریافت فایل اصل مقاله | 9,937,456 |
ارزیابی معماری های مختلف شبکه یادگیری عمیق در تشخیص تازگی تخم مرغ بر اساس سیگنال های صدا | ||
| تحقیقات مهندسی صنایع غذایی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 مرداد 1399 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/fooder.2020.341923.1258 | ||
| نویسندگان | ||
مجید لشگری   1؛ حامد توکلی2؛ رضا محمدی گل3؛ ولی اله لطفی4
| ||
| 1گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی و محیط زیست، دانشگاه اراک | ||
| 2استادیار دانشگاه اراک | ||
| 3دانشکده کشاورزی. دانشگاه اراک | ||
| 4گروه مهندسی مکانیک بیوسیستم | ||
| چکیده | ||
| امنیت مواد غذایی که بهطور مستقیم با سلامت افراد جامعه در ارتباط است همواره مورد توجه تمامی کشورها بوده است. با توجه به اینکه تخم مرغ در بسیاری از صنایع غذایی مصرف می شود و در برنامه غذایی روزانه بسیاری از مردم نیز قرار دارد، تشخیص تازگی آن نیز از اهمیت بالایی برخوردار است. در این تحقیق، قابلیت سامانه آکوستیک به عنوان روشی غیرمخرب برای تشخیص تازگی تخم مرغ مورد بررسی قرار گرفت. نمونه ها در دمای محیط به مدت 1، 4، 7، 10، 13 و 16 روز نگهداری شدند. پس از داده برداری، تمامی سیگنال های صدا با استفاده از طیف اسپکتروگرام به تصویر تبدیل شدند. در این تحقیق با استفاده از آزمون مخرب و با در نظر گرفتن دو معیار واحد هاو و ارتفاع کیسه هوا، میزان تازگی نمونه ها ارزیابی شد. نتایج آزمون مخرب نشان داد که تمامی نمونه های مربوط به روزهای 16، 13 و همچنین 80 درصد نمونه های مربوط به روز 10، با افت کیفیت همراه بوده و از نظر معیار درجه بندی، جز گروه غیرتازه و یا به عبارتی بیکیفیت به شمار می آیند. بنابراین نمونه ها به دو گروه تازه (روزهای 1، 4 و 7) و غیرتازه (روزهای 10، 13 و 16) تقسیم شدند. از چهار شبکه یادگیری عمیق از پیش آموزش دیده AlexNet، VGGNet، GoogLeNet و ResNet در این تحقیق استفاده شد. در بین شبکه ها، شبکه ResNet با میانگین دقت طبقه بندی 5/71 درصد، بهترین دقت را به خود اختصاص داد. | ||
| کلیدواژه‌ها | ||
| آکوستیک؛ تازگی؛ شبکه عصبی کانولوشن؛ طبقه بندی | ||
| عنوان مقاله [English] | ||
| Assessment of different configuration of deep learning networks in detecting egg freshness based on sound signals | ||
| چکیده [English] | ||
| Food security, which is directly related to the health of people in the community, has always been of interest to all countries. Since eggs are consumed in many food industries and are on the daily diet of many people, it is also important to recognize their freshness. In this study, the capability of the acoustic system was examined as a non-destructive method for detecting egg freshness. Samples were kept at room temperature for 1, 4, 7, 10, 13 and 16 days. After data collection, all sound signals were converted into spectrograms. In this study, using the destructive test and considering the two criteria of Haugh unit and air cell height, the freshness of the samples was evaluated. The results of the destructive test showed that all samples related to days 16, 13 and also 80% of the samples related to day 10 were associated with a decrease in quality and in terms of grading criteria, they are considered as unfresh or poor quality groups. Therefore, the samples were divided into two groups; fresh (days 1, 4 and 7) and unfresh (days 10, 13 and 16). AlexNet, VGGNet, GoogLeNet and ResNet, four pre-trained deep learning networks, were used in the study. Among the networks, ResNet, with an average classification accuracy of 71.5%, had the best accuracy in detecting egg freshness. | ||
| کلیدواژه‌ها [English] | ||
| Acoustic, freshness, convolutional neural network, classification | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 8 |
||
