%0 Journal Article %T دسته‌بندی هوشمند هندوانه‌ی رقم چارلستون‌گرِی بر اساس میزان رسیدگی با استفاده از پردازش سیگنال‌های آکوستیک %J مهندسی بیوسیستم ایران %I پردیس کشاورزی و منابع طبیعی دانشگاه تهران %Z 2008-4803 %A علی‌پسندی, امیر %A محمودی, اصغر %A بهفر, حسین %D 2018 %\ 10/23/2018 %V 49 %N 3 %P 379-394 %! دسته‌بندی هوشمند هندوانه‌ی رقم چارلستون‌گرِی بر اساس میزان رسیدگی با استفاده از پردازش سیگنال‌های آکوستیک %K ارزیابی حسی %K هندوانه %K پردازش سیگنال %K ماشین بردار پشتیبان %K k همسایگی نزدیک %R 10.22059/ijbse.2018.238943.664974 %X با توجه به بحران آب موجود در سطح کشور و فرایند آبیاری سنتی هندوانه، امکان کاهش کاشت و در نتیجه افزایش قیمت این محصول در سال‌های آتی وجود دارد که این امر ضرورت تعیین شاخص‌هایی برای انتخاب هندوانه‌ی با کیفیت را پر رنگ‌تر می‌کند. هدف از انجام این پژوهش دسته‌بندی هندوانه‌ی رقم چارلستون‌گری به کلاس‌های نارس، رسیده و بیش‌رس است که در این راستا از پردازش سیگنال‌های آکوستیک و الگوریتم‌های داده‌کاوی و تکنیک‌های هوش مصنوعی بهره گرفته شده است. پس از تهیه‌ی نمونه‌ها، ابتدا سیگنال‌های صوتی از موقعیت‌های مختلف هندوانه به وسیله‌ی یک ضربه‌زن مجهز به سلونوئید اخذ و سپس با انجام ارزیابی‌های حسی کلاس نمونه‌ها تعیین شد. روش‌های پردازش سیگنال در حوزه زمان، حوزه‌ی فرکانس و پردازش به کمک تبدیل موجک برای استخراج ویژگی‌های با اهمیت از سیگنال‌های صوتی هندوانه‌ها مورد استفاده قرار گرفته و با استفاده از آزمون t تعدادی از ویژگی‌هایی که در تمایز کلاس‌ها معنی‌دار بودند انتخاب شدند. از الگوریتم‌های ماشین بردار پشتیبان و K همسایگی نزدیک برای دسته‌بندی نمونه استفاده گردید. در مجموع ۵۲ درصد از کل نمونه‌ها به‌صورت صحیح توسط کارشناسان خبره دسته‌بندی شدند. برای ساچمه‌ی فلزی، الگوریتم SVM، با تابع هسته‌ی درجه‌ی 3 برای سیگنال‌های صوتی مستخرج از موقعیت وسط، دقت 78 درصد و برای سیگنال‌های صوتی مستخرج از موقعیت ساقه با تابع هسته گاوسی دقت 75 درصد را حاصل کرد. بهترین دسته‌بندی با مقدار 79 درصد برای جنس ساچمه‌ی فلزی و موقعیت سمت ساقه با الگوریتم دسته‌بند KNN و متریک فاصله‌ی کسینوسی حاصل شد. %U https://ijbse.ut.ac.ir/article_68259_60638af6decfba6c75a2d91475fdd94a.pdf