Ingineria mecanică a biosistemelor, Departamentul de inginerie a biosistemelor, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Departamentul de Inginerie Biosisteme, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Corespondenţă

Abdollah Golmohammadi, Departamentul de Ingineria Biosistemelor, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran.

Inginerie Mașini Agricole, Departamentul de Inginerie Biosisteme, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Departamentul de Inginerie Biosisteme, Facultatea de Inginerie a Apelor și Solurilor, Universitatea de Științe Agricole și Resurse Naturale Gorgan, Gorgan, Iran

Ingineria mecanică a biosistemelor, Departamentul de inginerie a biosistemelor, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Departamentul de Inginerie Biosisteme, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Corespondenţă

Abdollah Golmohammadi, Departamentul de Ingineria Biosistemelor, Facultatea de Resurse Agricole și Naturale, Universitatea Mohaghegh Ardabili, Ardabil, Iran.

Inginerie Mașini Agricole, Departamentul de Inginerie Biosisteme, Universitatea Mohaghegh Ardabili, Ardabil, Iran

Departamentul de Inginerie Biosisteme, Facultatea de Inginerie a Apelor și Solurilor, Universitatea de Științe Agricole și Resurse Naturale Gorgan, Gorgan, Iran

Abstract

1. INTRODUCERE

2. STUDIUL LITERATURII

Soiul „DarGazi” de fructe de pere este foarte sensibil la vânătăi cauzate de impactul mecanic și comprimare. Informațiile detaliate despre modelele de estimare a propagării volumului de vânătăi pentru pere sunt limitate. Acest studiu urmează cercetărilor noastre publicate anterior cu privire la susceptibilitatea perei la sarcini cvasi-statice și estimarea volumului său învinețit folosind RMN și tehnici de procesare a imaginilor. Acest studiu își propune să utilizeze ANN și ANFIS pentru predicția propagării BV (volum de vânătăi) a perei „Dargazi” pe baza razei sale de curbură în regiunea de încărcare, timpul de depozitare și forța aplicată. Rezultatele obținute au fost comparate cu modelul statistic tradițional de regresie multiplă (MR).

3 MATERIALE ȘI METODE

3.1 Detalii experimentale

După cum a fost raportat în articolul nostru publicat anterior, perele utilizate în acest studiu au fost soiul „Dargazi” (Pyrus communis). Probele intacte fără semne de defecte au fost recoltate în stadiul lor de maturitate fiziologică (gălbuie) dintr-o grădină locală și pentru măsurarea ulterioară au fost transferate la un laborator, apoi au fost măsurate unele dintre proprietățile fizice comune ale probelor (masă, volum, densitate, dimensiuni geometrice, raza de curbură).

3.1.1 Raza de curbură

Pentru măsurarea razei de curbură în locul impactului asupra eșantioanelor, au fost aplicate tehnici de procesare a imaginilor pe RGB obținute imagini ale eșantioanelor. A fost construită o cutie de lemn, iar interiorul acesteia a fost acoperit folosind foi negre pentru a evita reflexia luminii și a oferi o condiție de imagistică uniformă pentru toate probele. Trei lămpi fluorescente au fost montate triunghiular în jurul poziției camerei deasupra cutiei. Camera Canon Powershot G10 a fost utilizată pentru imagini conectate la un laptop folosind un port USB pentru controlul imaginii. Captarea imaginii utilizând software-ul PSRemote a fost făcută de la o distanță de 20 × 10 –2 m deasupra eșantioanelor. Pentru scalarea imaginilor, o formă cubică cu anumite dimensiuni a fost plasată în poziția eșantionului și ilustrată de la aceeași distanță.

3.1.2 Testare aproape statică

După măsurarea parametrilor, pentru simularea încărcării cvasistostatice, a fost luată în considerare încercarea mecanică de încărcare - descărcare. Toate probele au fost împărțite în cinci grupuri aleatoriu și au fost impuse în cadrul testului, fiecare grup pentru un anumit interval de sarcini (Figura S1).

3.1.3 Imagistica prin rezonanță magnetică

În acest scop, probele au fost plasate într-o cutie dreptunghiulară din lemn, unde fructele aveau locuri specifice pentru așezarea și menținerea stabilă în timpul imaginii. Imagini MR cu pere întregi au fost achiziționate pe un sistem Magnetom Symphony 1.5 T (Siemens), la Centrul Medical Kowsar. Poziționarea probelor în interiorul tunelului sistemului RMN și reglarea parametrilor de achiziție a imaginii, cum ar fi câmpul vizual (FOV) și orientările (axiale, coronale și sagittale) sunt prezentate în Figura S2. Douăzeci și patru de felii de probe cu o bucată de 0,3 mm (distanță felie la felie) au fost capturate în orientare coronară (Figura S3) pentru a obține măsurarea exactă a volumului de vânătăi (Razavi, Asghari, Azadbakht și Sh, 2018).

3.1.4 Prelucrarea imaginilor

Raza de curbură

Software-ul ImageJ (v. 1.48) a fost folosit pentru a măsura raza de curbură. Montarea unui cerc la cel puțin trei puncte de pe suprafața fructului ne poate da raza de curbură, la fel ca un dispozitiv care este utilizat pentru măsurarea curburii. Dar am luat în considerare mai multe puncte pentru montarea unui cerc pentru a obține rezultate mai precise.

Determinarea volumului de vânătăi utilizând RMN

Volumul de vânătăi al probelor a fost măsurat folosind tehnici de procesare a imaginii prin imagistica prin rezonanță magnetică (RMN) captată din probe. Software-ul ImageJ a fost utilizat pentru a determina volumul de vânătăi din imagini.

3.2 Intrări și ieșiri ale modelelor

Datorită efectului proprietăților fructelor asupra forțelor efective și a vulnerabilității fructelor, a fost investigat efectul proprietăților fizice măsurate asupra perei. Au fost identificați parametrii majori ai stării de depozitare care au un efect semnificativ asupra deteriorării perei, în care raza de curbură a fost considerată o variabilă independentă în crearea modelelor de predicție (rezultatele nu sunt prezentate).

Modelele de estimare a vânătăilor folosesc forța de compresie și intervalul de timp ca variabile independente împreună cu volumul de vânătăi. Variabilele independente utilizate în modelul de regresie, intrările rețelei neuronale sau ANFIS, constau din forța impusă (F) (N), raza de curbură la regiunea de încărcare (R) (m), timpul de stocare (ziua). Nivelurile aplicate ale forței de încărcare - descărcare au fost alese pe baza cercetărilor anterioare privind încărcarea cvasistatică pentru pere (Blahovec, Vlckova și Paprstein, 2002). Cea mai mică limită a forței aplicate s-a bazat pe forța aplicată în timpul recoltării și sortării; cel mai înalt nivel de compresie a fost în manipularea, transportul și depozitarea mecanică a perei.

3.3 Criterii de evaluare a performanței

În acest studiu, trei criterii au fost utilizate pentru a evalua modelele. Pentru a evalua capacitatea de predicție a modelelor predictive dezvoltate în studiu, „eroarea pătrată medie a rădăcinii” (RMSE), „valorile contabilizează” (VAF) și coeficientul de determinare a regresiei liniare (R 2) au fost calculate, așa cum au fost folosite de Yilmaz și Yuksek (2008, 2009), Zarifneshat și colab. (2012), Vijayaraghavan și colab. (2014), Garg, Vijayaraghavan, Siu Lee Lam, Singru și Gao (2015), Vijayaraghavan, Garg, Gao, Vijayaraghavan și Lu (2016) și Vijayaraghavan, Garg, Tai și Gao (2016). Un model este considerat cel mai bun atunci când are cel mai mic RMSE și cel mai mare VAF și R 2 .

3.4 Preprocesarea datelor

3.5 Modele de regresie multiplă (MR)

Uneori două sau mai multe variabile au un efect semnificativ asupra variabilei dependente. În acest caz, se aplică regresia multiplă pentru a prezice variabila dependentă. Deci, obiectivul general al MR este de a afla mai multe despre relațiile dintre mai multe variabile independente și o variabilă dependentă.

3.6 Modele de rețea neuronală artificială (ANN)

Rețelele neuronale Perceptron sunt considerate rețele neuronale avansate. Perceptronul cu un singur strat poate clasifica doar problemele liniare, iar pentru probleme mai complexe, este necesar să se utilizeze mai multe straturi. Perceptronul multistrat (MLP) este unul dintre cei mai folosiți arhitecți ai rețelei neuronale pentru probleme de clasificare sau regresie (Cohen & Intrator, 2002, 2003; Kenneth, Wernter și MacInyre, 2001; Lim, Loh, Tim și Shih, 2000). Rețelele MLP constau dintr-un strat de intrare, unul sau mai multe straturi ascunse și un strat de ieșire.

În acest studiu, în primul rând, datele au fost împărțite în trei subseturi: un set de antrenament (aproximativ 2/4 din toate datele, 52%), un set de testare (1/4 din toate datele, 24%) și un set de verificare 1/4 din toate datele, 24%). Nu există o regulă generalizată rezonabilă pentru a specifica dimensiunea datelor de instruire pentru o pregătire adecvată; cu toate acestea, eșantionul de instruire ar trebui să includă toate intervalele de date disponibile (Rohani, Abbaspour - Fard și Abdolahpour, 2011). Setul de antrenament poate fi modificat dacă funcționarea modelului nu îndeplinește așteptările (Zhang & Fuh, 1998).

În acest studiu, pentru analiza rețelei neuronale (arhitectură MLP), a fost utilizat software-ul MATLAB 2015b. Adesea, atunci când numărul de neuroni este scăzut în stratul ascuns, nu reușește să valideze conexiunea factorilor de intrare și ieșire. În mod similar, atunci când numărul de neuroni din stratul ascuns este ridicat, acesta determină supraadaptarea (Molga, 2003).

predicția

3.7 Modele adaptive de sistem de inferență neuro - fuzzy (ANFIS)

Acest sistem este o combinație de rețea neuronală și logică fuzzy, deci le reuneste toate abilitățile într-un singur sistem. De exemplu, combinația dintre logica fuzzy și rețeaua neuronală poate respinge lipsa capacității de auto-învățare a logicii fuzzy. În sistemul de inferență fuzzy (FIS), fiecare regulă fuzzy descrie un comportament local al sistemului. Structura rețelei care efectuează FIS și adoptă reguli de învățare hibridă pentru antrenament se numește ANFIS. Scopul ANFIS este de a găsi un model sau o mapare care să asocieze corect valorile de intrare cu valorile țintă.

În acest studiu, pentru prezicerea BV, ANFIS a fost aplicat cu trei intrări ca variabile independente (forță, timp de stocare și raza de curbură) și o ieșire ca variabilă dependentă (BV). MATLAB v. 2015b a fost folosit pentru instruirea modelului ANFIS și Excel v. 2016 a fost utilizat pentru calcularea criteriilor de evaluare a performanței și a calculelor statistice. Figura S5 prezintă arhitectura ANFIS pentru acest studiu.

Tipurile de parametri și valorile lor care au fost utilizate în modelul ANFIS sunt prezentate în Tabelul 1.

Tip parametru ANFIS Valoare
Tip MF Funcția Gauss
Numărul de MF-uri 5
Funcția de ieșire Liniar
Numărul de parametri liniari 500
Numărul de parametri neliniari 30
Numărul total de parametri 530
Numărul de perechi de date de antrenament 53
Numărul de perechi de date de verificare 26
Numărul de perechi de date de testare 26
Numărul de reguli neclare 125

4 REZULTATE ȘI DISCUȚII

În această lucrare, a fost descrisă și comparată aplicația modelelor MR, ANN și ANFIS, pentru prezicerea BV a perei „Dargazi”. Pentru a prezice relația dintre parametrii obținuți în acest studiu, a fost efectuată o analiză simplă de regresie. Au fost analizate relațiile dintre BV cu alți parametri. Conform rezultatelor analizelor de regresie simple și ANOVA, volumul și masa nu au avut un efect semnificativ asupra deteriorării perei, dar forța impusă, timpul de depozitare și raza de curbură au avut un efect semnificativ asupra volumului de vânătăi (rezultatele nu sunt prezentate). Modelele MR, ANN și ANFIS pentru prezicerea BV au fost apoi construite de aceste trei intrări și o ieșire. Rezultatele obținute și statisticile lor de testare de bază sunt prezentate în Tabelul S1.

4.1 Regresie multiplă

Analiza de regresie multiplă a fost efectuată pentru a corespunde BV măsurat la nivelurile de forță, timpul de stocare și raza de curbură în regiunea de încărcare (Tabelul S2).

Coeficientul de determinare între valorile măsurate și cele prevăzute este un indice acceptabil pentru a examina performanța de predicție a modelului. Figura 3 prezintă relațiile dintre valorile măsurate și cele prevăzute obținute pentru BV din modelul MR. Indicii de evaluare a performanței calculați pentru modelul de regresie multiplă (MR) sunt prezentați în Tabelul 2. Ahmadi și colab. (2010) au aplicat metode statistice pentru prezicerea BV. Ei și-au construit modelul prin metoda de regresie și ar putea estima BV cu un coeficient de determinare (R 2) din .97. Zarifneshat și colab. (2012) au prezis BV de măr prin metoda de regresie cu un coeficient de determinare (R 2) din .998. Zarifneshat și colab. (2013) au folosit un model de regresie pentru prezicerea volumului de vânătăi. În cercetarea lor, BV ar putea fi estimată cu un coeficient de determinare de 0,969. Dar, în cercetarea noastră, volumul vânătăilor a fost prezis cu un coeficient de determinare (R 2) din .8627. Spre deosebire de studiile anterioare asupra fructelor de mere, metoda MR nu ar putea fi un model precis pentru prezicerea volumului de pere pentru vânătăi. Precizia analizei pentru modelul MR a fost de 82,53%.

Model Parametru previzionat RMSE VAF (%) R 2
DOMNUL BV 617.05 86,27 .8627
ANN BV 473,38 99.01 .9909
ANFIS BV 834,51 91,79 .9336
  • Abrevieri: ANFIS, sistem adaptiv de inferență neuro - fuzzy; ANN, rețea neuronală artificială; MR, regresie multiplă; RMSE, eroare pătrată medie rădăcină, VAF, cont de valoare pentru.

4.2 Rețea neuronală artificială

4.3 Sistem adaptiv de inferență neuro - fuzzy

Conform VAF, RMSE, R 2 valori (Tabelul 2) și corelația încrucișată între valorile observate și prezise (Figura 5), ​​modelul ANFIS construit pentru prezicerea BV are o performanță ridicată de predicție. Acest rezultat este în acord cu Zheng și colab. (2012) au cercetat că rata totală de clasificare corectă a ANFIS a fost de 90,00%. Prin urmare, aceste rezultate au demonstrat potențialul dezvoltării unui instrument util de clasificare folosind tehnica ANFIS pentru detectarea vânătăilor. Acuratețea analizei pentru modelul ANN a fost de 92,4%.

4.4 Rezultate generale și compararea a trei modele

5. CONCLUZII

MULȚUMIRI

Dorim să-i mulțumim Dr. Ali Salamat, managerul Kowsar RMN Medical Center, pentru ajutorul său prin furnizarea sistemului MR. De asemenea, dorim să mulțumim tehnicienilor Centrului Medical RMN Kowsar: dl. Domnul Ghasem Najjari, domnul Mehdi Shafi'e Abadi, și dl. Ataollah Goldasteh pentru asistență la achiziționarea imaginilor pere. De asemenea, autorii apreciază Universitatea de Științe Agricole și Resurse Naturale Gorgan pentru furnizarea bugetului experimental.

CONFLICTUL DE INTERES

Autorii declară că nu au niciun conflict de interese.

DECLARAȚII ETICE

Acest material este opera originală a autorilor, care nu a fost publicată anterior în altă parte. În prezent nu este luată în considerare pentru publicare în altă parte. Acest manuscris reflectă propriile cercetări și analize ale autorilor într-o manieră veridică și completă. Lucrarea creditează în mod corespunzător contribuțiile semnificative ale coautorilor și co-cercetătorilor. Rezultatele sunt plasate în mod corespunzător în contextul cercetărilor anterioare și existente. Toate sursele utilizate sunt dezvăluite în mod corespunzător. Toți autorii au fost implicați personal și activ în lucrări substanțiale care conduc la lucrare și își vor asuma responsabilitatea publică pentru conținutul acesteia. De asemenea, acest studiu nu implică testarea pe oameni sau animale.

Vă rugăm să rețineți: editorul nu este responsabil pentru conținutul sau funcționalitatea oricăror informații de susținere furnizate de autori. Orice întrebări (altele decât conținutul lipsă) ar trebui să fie adresate autorului corespunzător pentru articol.