مطالعه عکس العمل طیفی گندم های سالم و آسیب دیده به وسیله قارچها با استفاده از روش طیف سنجی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 496

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCAMEM08_220

تاریخ نمایه سازی: 14 شهریور 1393

چکیده مقاله:

گندم یکی از محصولات کشاورزی مهم و استراتژیک در جهان و ایران می باشد و از ارزش اقتصادی و غذایی بالایی برخوردار است. با توجه به واردات گندم به ویژه در مواقع خشک سالی و نیز نقل و انتقال گندم در داخل کشور تعیین سالم بودن از نظر آلودگی به عوامل قارچی اهمیت زیادی دارد. هدف از این پژوهش تشخیص گندم های سالم از ناسالم است که توسط قارچهایی مثل فوزاریوم، پنیسیلیوم و یا فراورده های قارچی مثل آفلاتوکسین و غیره مورد هجوم قرارگرفته اند. در این پژوهش از ابزار طیف سنجی در محدوده 190- 1100 نانومتر استفاده شد که با استفاده از روش آماری تجزیه به مؤلفه های اصلی، طول موج های 310، 330، 400 و 410 به عنوان بهترین طول موج، برای شناسایی و تشخیص گندم های سالم و ناسالم تشخیص داده شدند. با در نظر گرفتن شدت طول موج های مذکور به عنوان ورودی شبکه عصبی، نمونه ها با دقت 9.79 درصد به دسته های سالم و ناسالم دسته بندی شدند.

کلیدواژه ها:

گندم ، قارچ ، ماوراءبنفش ، شبکه عصبی ، تجزیه به مؤلفه های اصلی ، تشخیص

نویسندگان

سامان ظهرایی

دانشجوی دکتری مکانیک ماشینهای کشاورزی، دانشگاه تبریز

سید صادق سیدلو

استادیار گروه مکانیک ماشینهای کشاورزی، دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • شرفی، گ.، وثوقی، س.، آقا قلی زاده، ر.، شهمیری، ع.، ...
  • دانشگاه فردوسی مشهد _ _ _ یهمن ماه 1392 ...
  • دانشگاه فردوسی مشهد _ _ _ یهمن ماه 1392 ...
  • Chelladurai V, Jayas D, White N. 2010. Thermal imaging for ...
  • Hedayati MT, M ohammadpour RA. 2005. The C ontamination Rate ...
  • Lin M, A Rasco B, G Cavinat A, Al-Holy M. ...
  • Majumdar S, Jayas D. 2000a. Classification of cereal grains using ...
  • .-2000b. Classification of cereal grains using machine vision: IV. Combined ...
  • .-2000d. Classification of cereal grains using machine vision: III. Texture ...
  • Qin J. 2010. CHAPTER 5 _ Hyperspectral Imaging Instruments. Pages ...
  • Saito S, Ishibashi J, Miyamoto T, Tateishi Y, Ito T, ...
  • Shahin MA, Symons SJ. 2011. Detection of< i> Fusarium</i> damaged ...
  • Zhang H, Paliwal J, Jayas DS, White N. 2007. Classification ...
  • PhD Student, Dept. of Agriculture Machinery, Faculty of Agriculture, University ...
  • Assistant professor of Agriculture Machinery, Faculty of Agriculture, University of ...
  • نمایش کامل مراجع