سیدجواد سجادی - مربی و عضو هیئت علمی گروه تولیدات گیاهی دانشکده علوم کشاورزی و منابع طبیعی دانشگاه گنبد کاووس
احسان محمودی - دانشجوی کارشناسی ارشد گروه علوم و صنایع غذایی دانشگاه علوم کشاورزی و منابع طبیعی گرگان
سیدمهدی جعفری - استادیار گروه علوم و صنایع غذایی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

در این پژوهش امکان استفاده از پردازش صدای برخورد در حوزه موجک گسسته و شبکه عصبی مصنوعی جهت سورتینگ ارقام سحر و ویلیامز سویا بررسی می شود. ابتدا تعداد 100 عدد دانه سویا از هر کدام از ارقام سحر و ویلیامز انتخاب شدند. سپس تمامی دانه ها از ارتفاع 50 سانتی متری با صفحه فلزی برخورد کردند. صدای برخورد توسط میکروفن گرفته و از طریق کارت صدای نصب شده بر روی رایانه قابل حمل با فرکانس نمونه برداری 44100 هرتز به سیگنال صدای دیجیتال شده تبدیل و در حفظه رایانه ذخیره گردید. سیگنال ها پس از پیش پردازش، در حوزه موجک کسسته پردازش شده و مشخصات بدست آمده به عنوان ورودی بکه عصبی مصنوعی MLP با الگوریتم آموزش پس انتشار لونبرگ- مارکواردت بکا رگرفته شدند. کلیه مراحل ضبط خودکار صدای برخورد، پردازش سیگنال و ا یجاد، آموزش و آزمایش شبکه عصبی با استفاده از برنامه نویسی در محیط نرم افزار MATLAB R2011a انجام شد. شبکه عصبی MLP با ساختار 2-19-10 قادر به طبقه بندی ارقام سحر و ویلیامز سویا به ترتیب با دقت 93 و 84 درصد بود. نتایج بدست آمده در ترکیب با روش های متداول سروتینگ سویا می تواند ضمن افزایش دقت و سرعت جداسازی باعث کاهش آسیب دیدگی آنها شود.

سویا، سورتینگ، سیگنال صدای برخورد، شبکه عصبی مصنوعی MLP، تبدیل گسسته موجک