امیر علی پسندی - دانشجوی دکتری، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
اصغر محمودی - دانشیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
حسین بهفر - استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

با توجه به بحران آب موجود در سطح کشور و فرایند آبیاری سنتی هندوانه، امکان کاهش کاشت و در نتیجه افزایش قیمت این محصول در سال های آتی وجود دارد که این امر ضرورت تعیین شاخص هایی برای انتخاب هندوانه ی با کیفیت را پر رنگ تر می کند. هدف از انجام این پژوهش دسته بندی هندوانه ی رقم چارلستون گری به کلاس های نارس، رسیده و بیش رس است که در این راستا از پردازش سیگنال های آکوستیک و الگوریتم های داده کاوی و تکنیک های هوش مصنوعی بهره گرفته شده است. پس از تهیه ی نمونه ها، ابتدا سیگنال های صوتی از موقعیت های مختلف هندوانه به وسیله ی یک ضربه زن مجهز به سلونوئید اخذ و سپس با انجام ارزیابی های حسی کلاس نمونه ها تعیین شد. روش های پردازش سیگنال در حوزه زمان، حوزه ی فرکانس و پردازش به کمک تبدیل موجک برای استخراج ویژگی های با اهمیت از سیگنال های صوتی هندوانه ها مورد استفاده قرار گرفته و با استفاده از آزمون t تعدادی از ویژگی هایی که در تمایز کلاس ها معنی دار بودند انتخاب شدند. از الگوریتم های ماشین بردار پشتیبان و K همسایگی نزدیک برای دسته بندی نمونه استفاده گردید. در مجموع ۵۲ درصد از کل نمونه ها به صورت صحیح توسط کارشناسان خبره دسته بندی شدند. برای ساچمه ی فلزی، الگوریتم SVM، با تابع هسته ی درجه ی ۳ برای سیگنال های صوتی مستخرج از موقعیت وسط، دقت ۷۸ درصد و برای سیگنال های صوتی مستخرج از موقعیت ساقه با تابع هسته گاوسی دقت ۷۵ درصد را حاصل کرد. بهترین دسته بندی با مقدار ۷۹ درصد برای جنس ساچمه ی فلزی و موقعیت سمت ساقه با الگوریتم دسته بند KNN و متریک فاصله ی کسینوسی حاصل شد.

ارزیابی حسی, هندوانه, پردازش سیگنال, ماشین بردار پشتیبان, k همسایگی نزدیک