تشخیص عارضه خشکیدگی خوشه خرما در خرمای مضافتی با استفاده از اسپکتروسکوپی NIR

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,294

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCFOODI20_026

تاریخ نمایه سازی: 27 خرداد 1391

Abstract:

دراین تحقیق توانایی روش غیرمخرب اسپکتروسکوپی NIR درتشخیص عارضه خشکیدگی خوشه خرما در رقم مضافتی مورد مطالعه قرارگرفت طیف NIR خرماها شامل 360 عدد خرمای سالم درچهار مرحله مختلف رسیدگی و 50 عدد خرمای آسیب دیده با استفاده از یک اسپکترومتر PDA جمع آوری گردید از روش تحلیل مولفه های اصلی برای کاهش ابعاد ماتریس داده های NIR استفاده شد به نحوی که با 5 مولفه اصلی 99/97% واریانس موجود درطیف NIR قادر به توصیف بود از این 5 مولفه اصلی به عنوان ورودی به یک مدل شبکه های عصبی مصنوعی با 11 نرون درلایه مخفی و 5 نرون درلایه خروجی برای 4 کلاس مراحل مختلف رسیدگی و کلاس آسیب دیده استفاده شد مدل بدست آمده توانست کلاسهای خرماهای سالم و آسیب دیده مضافتی را با دقت 92 درصد جداسازی کند.

Keywords:

اسپکتروسکوپی NIR - خرمای مضافتی - خشکیدگی خوشه خرما - تحلیل مولفه های اصلی - شبکه های عصبی مصنوعی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • بی‌نام، راهنمای آفات، بیماری‌ها و علف‌های هرز خرما، انتشارات وزارت ...
  • بی‌نام، آمارنامه کشاورزی، اداره کل آمار و اطلاعات وزارت جهاد ...
  • محمدی، حسینمراد و مقتدری، قاسمعلی؛ ارتباط پارامترهای اقلیمی و عارضه ...
  • هاشم پور، محمد، گنجینه خرما (کلیات)، جلد اول، انتشارات وزارت ...
  • Fu, X., Ying, Y., Lu, H. and Xu, H., Comparison ...
  • Basheer, I. A. and Hajmeer M., Artificial neural networks: fundamentals, ...
  • Clark, C. J., McGlone, V. A., De Silva, H. N., ...
  • Haff, R. P., and Pearson, T., Spectral Band Selection for ...
  • Hahn, F., Lopez, I., and Hernandez, G., Spectral Detection and ...
  • Han, D., Tu, R., Lu, C., Liu, X. and Wen, ...
  • He, Y., Feng S., Deng, X. and Li, X., Study ...
  • Kim, J., Mowat, A., Poole, P., and Kasabov, N., Linear ...
  • Kleynen, O., Leemans, V. and Destain, M. F., Selection of ...
  • Li, X., He, Y. and Fang, H., Non -destructive discrimination ...
  • Nicolai, B. M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, ...
  • Teeracha ichayut, S, Kil, K. Y., Terdwongwo rakul, A., Thanapase, ...
  • Wang, D., Ram, M. S. and Dowell, F. E., Classification ...
  • Williams, P. C. and Norris, K., Near-Infrared technology in the ...
  • Xing, J., and Guyer D, Detecting internal insect infestation in ...
  • Xing, J., Bravo, C., Moshou, D., Ramon, H., and De ...
  • نمایش کامل مراجع