ساخت و ارزیابی سامانه خبره تشخیص حمله زنبورخوار به کندو به منظور کاهش تلفات
عنوان مقاله: ساخت و ارزیابی سامانه خبره تشخیص حمله زنبورخوار به کندو به منظور کاهش تلفات
شناسه ملی مقاله: JR_IJBSE-50-4_020
منتشر شده در در سال 1398
شناسه ملی مقاله: JR_IJBSE-50-4_020
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:
زهرا عبداله زارغ - دانشجوی دکتری گروه مکانیک بیوسیستم و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
نواب کاظمی - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
سامان آبدانان مهدی زاده - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
خلاصه مقاله:
زهرا عبداله زارغ - دانشجوی دکتری گروه مکانیک بیوسیستم و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
نواب کاظمی - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
سامان آبدانان مهدی زاده - استادیار گروه مکانیک بیوسیستم مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران
نظارت فعالانه کندو با استفاده از یک شبکه حسگر که قادر به ثبت و ضبط تمامی شرایط کندو جهت شناخت شرایط زندگی زنبورهای درون کندو باشد، کمک شایانی به اتخاذ تصمیم توسط زنبوردار در شرایط حمله دشمنان خارجی و جلوگیری از فروپاشی جمعیت زنبورعسل مینماید. بدین منظور در پژوهش حاضر سامانهای خبره جهت تشخیص حمله پرنده زنبورخوار شامل حسگرهای دما، صوت، رطوبت و اتانول توسعه یافت. پس از جمعآوری دادهها تحت دو شرایط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ویژگی در دو حوزه زمان و فرکانس، انتخاب ویژگی با استفاده از الگوریتم ژنتیک و سپس طبقهبندی ویژگیها با استفاده از K نزدیکترین همسایه[۱] صورت پذیرفت. بر اساس نتایج بدست آمده از بین ۱۹ ویژگی انتخاب شده، پنج ویژگی شامل آنتروپی طیفی، انرژی صوت، شدت بیشینه صوت، کمینه الکل و فرکانس غالب به ترتیب با ۸۹۶۷، ۶۰۱۸، ۱۳۲۱، ۱۲۸۷ و ۸۰۹ وقوع به عنوان تاثیرگذارترین ویژگیها وارد طبقهبند شدند. طبقهبند KNN برای معیارهای صحت، دقت، حساسیت، نمره F، خصوصیت و میانگین هندسی بیشینه (۱۰۰%) و نرخ مثبت کاذب (FPR) کمینه (صفر) شد که نشان دهندهی عملکرد خوب سامانه خبره تشخیص حمله پرنده به کندو است. [۱]. K-Nearest Neighborhood
کلمات کلیدی: کندوی هوشمند, پرنده زنبورخوار (سبزقبا), الگوریتم ژنتیک, طبقه بند K نزدیکترین همسایگی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1660071/