کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5024912 1470577 2017 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Intelligent tobacco flue-curing method based on leaf texture feature analysis
ترجمه فارسی عنوان
روش های تنفس دودکش هوشمند بر اساس تجزیه و تحلیل ویژگی های بافت برگ
کلمات کلیدی
درمان با دخانیات هوشمند تصویربرداری نوری، ویژگی های رنگ ویژگی های بافت شبکه های عصبی مصنوعی، تنباکو برگ کاهش می یابد،
ترجمه چکیده
اکثر سیستم های سنتی درمان با استفاده از دستکاری و یا نیمه مصنوعی عمل می کنند که مستلزم آن است که متقاضیان به طور مرتب مراجعه می کنند. یک سیستم کنترل هوشمند در زمان واقعی در این مقاله با به دست آوردن تصویر نوری از برگ های توتون و استخراج ویژگی های رنگ و ویژگی های بافت برای پیش بینی و کنترل دما و رطوبت حیاط خمیر سازی در این مقاله توسعه یافته است. برگ های تنباکو از سبز به زرد تغییر می کند و به تدریج کاهش می یابد و این تغییر مقررات باعث افزایش هوش سیستم تنفسی می شود. شبکه عصبی پیشنهاد شده برای پیش بینی مقادیر تنظیم مقادیر دمای خشک لامپ، دمای مرطوب لامپ و زمان تغییر طراحی شده است که دارای یازده ورودی شامل سه ویژگی رنگی، سه ویژگی بافت، دمای مطلوب خشک و مرطوب، دمای مرطوب مرطوب، مرحله فعلی، زمان گذراندن مرحله، برگ برگ تنباکو و پرچم. برخی از آزمایشات القا شده است و نتایج تجربی نشان می دهد که این روش پیشنهاد شده بر اساس ویژگی های رنگی و ویژگی های بافت می تواند به طور قابل توجهی دقت نسبت به روش مشابه را فقط با استفاده از ویژگی های رنگی به ویژه در فرایند پس از پخت بهبود دهد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی (عمومی)
پیش نمایش مقاله
روش های تنفس دودکش هوشمند بر اساس تجزیه و تحلیل ویژگی های بافت برگ
چکیده انگلیسی
Most traditional curing systems are manually or half-artificial operated that requiring the curers to observe the state of tobacco leaves frequently. A novel intelligent real-time curing control system is developed in this paper by acquiring the optical image of tobacco leaves and extracting the color features and texture features to predict and control the temperature and humidity of the curing barn. The tobacco leaves changes from green to yellow and shrinks gradually, and this changing regulation would enhance the intelligence of tobacco curing system. The proposed neural network is designed to predict the set-point values of the adjustment of dry-bulb temperature, wet-bulb temperature and the changing time, which has eleven inputs include three color features, three texture features, ideal dry-wet temperature, ideal wet-bulb temperature, current stage, stage passing time, tobacco leaves varieties and flag. Some experiments are induced and the experimental results show this proposed approach based on color features and texture features could improve significantly the accuracy than that of the similar method only using color features especially in post-curing process.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Optik - International Journal for Light and Electron Optics - Volume 150, December 2017, Pages 117-130
نویسندگان
, , , , ,