دانشگاه تهران مهندسی بیوسیستم ایران 2008-4803 54 2 2023 06 22 Prediction of output moisture content of dill from hot-air conveyor belt dryer using machine vision پیش‌بینی محتوای رطوبت خروجی محصول شوید از خشک‌کن تسمه نقاله‌ی با جریان هوای گرم به کمک بینایی ماشین 49 66 95210 10.22059/ijbse.2023.367648.665529 FA هاوین علی پناهی گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران. 0009-0007-4300-4801 ناصر بهروزی گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج ، ایران 0000-0001-6095-2343 کاوه ملازاده گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران 0000-0001-7379-839X حسین درویشی گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج ، ایران 0000-0003-1496-7565 Journal Article 2023 11 07 Predicting the output moisture content of product from the conveyor belt hot air dryer for controlling the drying process is one of important parameters. Therefore, in this research, a conveyor belt dryer with a hot air flow equipped with a machine vision system was developed. Dryer also consists of air temperature and conveyor belt speed controlling section, lighting and imaging system. The control sections for air temperature and conveyor belt speed include SSR relays and a programmed algorithm in MATLAB software environment. The machine vision section comprises three cameras placed at the beginning, middle, and end of the conveyor belt. In this study, experiments were conducted at two temperature levels of 50 and 60 °C and three levels of conveyor belt speed for each treatment. Then, using the developed image processing algorithm in MATLAB, the changes in shrinkage were extracted and analyzed. Finally, the out moisture content of the product from dryer was modeled using the ANN. The results of this study indicated that the out moisture content and shrinkage of the dried product are dependent on temperature of dryer and speed of the conveyor belt. Specifically, with an increase in temperature and a decrease in conveyor belt speed, the degree of shrinkage increases Finally, results revealed that the ANN with 4-12-1 structure had best prediction performance with 1.06e-6, 1.24e-6, 9.46e-7 of RMSE and 0.9999, 0.9999, 0.9999 of R, respectively for training, validation and testing data.     مدل‌سازی میزان رطوبت خروجی از خشک‌کن‌های تسمه نقاله‌ای یک از مهمترین پارامترها برای کنترل فرایند خشک کردن در این نوع خشک‌کن‌ها می‌باشد. بدین منظور، در این پژوهش یک خشک‌کن تسمه نقاله‌ای جریان هوای گرم مجهز به سامانه بینایی ماشین  به منظور مدل‌سازی و پیش‌بینی محتوای رطوبتی محصول خروجی از خشک‌کن توسعه داده شد. خشک‌کن مورد نظر دارای بخش‌های کنترل دمای هوا، سرعت تسمه نقاله، سامانه تصویربرداری و نورپردازی می‌باشد. بخش کنترل دمای هوا و سرعت تسمه نقاله شامل رله‌های SSR و الگوریتم برنامه‌نویسی شده در محیط نرم‌افزار MATLAB می‌باشد.  بخش بینایی ماشین شامل سه دوربین که در ابتدا، وسط و انتهای تسمه نقاله قرار گرفته ‌است، می‌باشد. در این پژوهش، آزمایش‌ها در دو سطح دمای 50 و 60 درجه سلسیوس و سه سطح سرعت حرکت تسمه نقاله برای هر تیمار انجام شدند. سپس به کمک الگوریتم پردازش تصویر توسعه داده شده در محیط MATLAB، تغییرات چروکیدگی استخراج و مورد بررسی قرار گرفت. در نهایت، محتوای رطوبت نهایی محصول به کمک یک مدل شبکه عصبی مصنوعی مدل‌سازی شد. نتایج حاصل از این پژوهش حاکی از آن بود که محتوای رطوبت نهایی و میزان چروکیدگی محصول خشک شده وابسته به دمای خشک‌کن و سرعت حرکت تسمه نقاله می‌باشد. بدین صورت که، با افزایش دما و کاهش سرعت حرکت تسمه نقاله، میزان چروکیدگی افزایش می‌یافت. شبکه با ساختار 1-12-4 بهترین مدل با RMSE، 6-e06/1، 6-e24/1و 7-e46/9و R، 9999/0، 9999/0 و 9999/0 به ترتیب برای داده‌های آموزش، ارزیابی و تست بدست آمد. https://ijbse.ut.ac.ir/article_95210_14e613272979fa4a99e01542f8c981aa.pdf