کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6539371 1421098 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Identification and classification of damaged corn kernels with impact acoustics multi-domain patterns
ترجمه فارسی عنوان
شناسایی و طبقه بندی دانه های ذرت آسیب دیده با الگوهای چند دامنه آکوستیک تاثیر
کلمات کلیدی
اثر سیگنال صوتی، گروه تقسیم حالت تجربی، هیلبرت-هوانگ تبدیل، ادغام ویژگی های چند دامنه، ماشین بردار پشتیبانی از بهینه سازی ذرات،
ترجمه چکیده
یک دستگاه سیگنال آکوستیک ضربه با دانه های ذرت آسیب دیده، آسیب دیده حشرات و آسیب دیده، مورد آزمایش قرار گرفت و سیگنال های مختلف با استفاده از روش های تجزیه حالت تجربی یکپارچه مقایسه شد. این روش ها بر اساس برتر شناخته شده آنها در پردازش سیگنال های غیر ثابت و در سرکوب مخلوط حالت است. دامنه زمانی، دامنه فرکانس و ویژگی های دامنه هیلبرت از تجزیه حالت تجربی گروهی سیگنال های صوتی ضربه ای استخراج شده است. چهار ویژگی از دامنه زمانی استخراج شد: میانگین دامنه تغییر، دامنه ویلسون، میانگین مطلق و پیک به مقدار حداکثر. سه ویژگی از دامنه فرکانس استخراج شد: میانگین مربع فرکانس، میانگین مربع محدوده طیف قدرت و واریانس باند فرکانس. انرژی فرکانس های فرکانس بالا و فرکانس پایین و مقادیر متوسط ​​پاکت ها از حوزه هیلبرت استخراج شده است. بعدها، این ویژگی ها به عنوان ورودی به یک ماشین بردار پشتیبانی استفاده شد که با بهینه سازی ذرات ذرات بهینه شده بود. استفاده از ویژگی های ترکیبی دقت طبقه بندی بالاتر از استفاده از ویژگی های در هر دامنه به طور جداگانه. در این تحقیق، دستیابی به ضریب اطمینان طبقه بندی شده 99.2٪ برای هسته های آسیب دیده، 99.6٪ برای دانه های آسیب دیده حشرات و 3/99٪ برای دانه های آسیب دیده قارچ. این نتایج، بر اساس تجزیه حالت تجربی گروهی و ادغام ویژگی های چند دامنه، برای پتانسیل یک سیستم بازرسی اتوماتیک دلگرم کننده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شناسایی و طبقه بندی دانه های ذرت آسیب دیده با الگوهای چند دامنه آکوستیک تاثیر
چکیده انگلیسی
An impact acoustic signal device was tested with undamaged, insect-damaged, and mildew-damaged corn kernels, and the different signals were compared using ensemble empirical mode decomposition methods. These methods were adopted based on their known superiority in processing of non-stationary signals and in suppressing of mode mixing. Time domain, frequency domain, and Hilbert domain features were extracted from an ensemble empirical mode decomposition of the impact acoustic signals. Four features were extracted from the time domain: the average amplitude change, Wilson amplitude, average absolute value, and peak-to-peak value. Three features were extracted from the frequency domain: the mean square frequency, the root mean square of the power spectrum, and the frequency band variance. The energy of the high-frequency and low-frequency bands and the average values of the envelopes were extracted from the Hilbert domain. Subsequently, these features were used as inputs to a support vector machine which was optimized by particle swarm optimization. The use of hybrid features enabled higher classification accuracy than usage of features in each domain separately. In this study, achieving the classification accuracies were 99.2% for undamaged kernels, 99.6% for insect-damaged kernels and 99.3% for mildew-damaged kernels. These results, based on ensemble empirical mode decomposition and integration of multi-domain features, are encouraging for the potential of an automated inspection system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 150, July 2018, Pages 152-161
نویسندگان
, , , ,