پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,239 |
| تعداد مقالات | 67,847 |
| تعداد مشاهده مقاله | 115,360,924 |
| تعداد دریافت فایل اصل مقاله | 90,110,688 |
پیش‌بینی محتوای رطوبت خروجی محصول شوید از خشک‌کن تسمه نقاله‌ی با جریان هوای گرم به کمک بینایی ماشین | ||
| مهندسی بیوسیستم ایران | ||
| دوره 54، شماره 2، تیر 1402، صفحه 49-66 اصل مقاله (1.83 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2023.367648.665529 | ||
| نویسندگان | ||
| هاوین علی پناهی1؛ ناصر بهروزی* 2؛ کاوه ملازاده3؛ حسین درویشی2 | ||
| 1گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران. | ||
| 2گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج ، ایران | ||
| 3گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| مدل‌سازی میزان رطوبت خروجی از خشک‌کن‌های تسمه نقاله‌ای یک از مهمترین پارامترها برای کنترل فرایند خشک کردن در این نوع خشک‌کن‌ها می‌باشد. بدین منظور، در این پژوهش یک خشک‌کن تسمه نقاله‌ای جریان هوای گرم مجهز به سامانه بینایی ماشین به منظور مدل‌سازی و پیش‌بینی محتوای رطوبتی محصول خروجی از خشک‌کن توسعه داده شد. خشک‌کن مورد نظر دارای بخش‌های کنترل دمای هوا، سرعت تسمه نقاله، سامانه تصویربرداری و نورپردازی می‌باشد. بخش کنترل دمای هوا و سرعت تسمه نقاله شامل رله‌های SSR و الگوریتم برنامه‌نویسی شده در محیط نرم‌افزار MATLAB می‌باشد. بخش بینایی ماشین شامل سه دوربین که در ابتدا، وسط و انتهای تسمه نقاله قرار گرفته است، می‌باشد. در این پژوهش، آزمایش‌ها در دو سطح دمای 50 و 60 درجه سلسیوس و سه سطح سرعت حرکت تسمه نقاله برای هر تیمار انجام شدند. سپس به کمک الگوریتم پردازش تصویر توسعه داده شده در محیط MATLAB، تغییرات چروکیدگی استخراج و مورد بررسی قرار گرفت. در نهایت، محتوای رطوبت نهایی محصول به کمک یک مدل شبکه عصبی مصنوعی مدل‌سازی شد. نتایج حاصل از این پژوهش حاکی از آن بود که محتوای رطوبت نهایی و میزان چروکیدگی محصول خشک شده وابسته به دمای خشک‌کن و سرعت حرکت تسمه نقاله می‌باشد. بدین صورت که، با افزایش دما و کاهش سرعت حرکت تسمه نقاله، میزان چروکیدگی افزایش می‌یافت. شبکه با ساختار 1-12-4 بهترین مدل با RMSE، 6-e06/1، 6-e24/1و 7-e46/9و R، 9999/0، 9999/0 و 9999/0 به ترتیب برای داده‌های آموزش، ارزیابی و تست بدست آمد. | ||
| کلیدواژه‌ها | ||
| محتوای رطوبتی؛ بینایی ماشین؛ چروکیدگی؛ شبکه عصبی مصنوعی؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| Prediction of output moisture content of dill from hot-air conveyor belt dryer using machine vision | ||
| نویسندگان [English] | ||
| Hawin Alipanahi1؛ Nasser Behroozi-Khazaei2؛ Kaveh Mollazade3؛ Hosain Darvishi2 | ||
| 1Department of Biosystems Engineering, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran | ||
| 2Department of Biosystems Engineering, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran. | ||
| 3Department of Biosystems Engineering, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran | ||
| چکیده [English] | ||
| Predicting the output moisture content of product from the conveyor belt hot air dryer for controlling the drying process is one of important parameters. Therefore, in this research, a conveyor belt dryer with a hot air flow equipped with a machine vision system was developed. Dryer also consists of air temperature and conveyor belt speed controlling section, lighting and imaging system. The control sections for air temperature and conveyor belt speed include SSR relays and a programmed algorithm in MATLAB software environment. The machine vision section comprises three cameras placed at the beginning, middle, and end of the conveyor belt. In this study, experiments were conducted at two temperature levels of 50 and 60 °C and three levels of conveyor belt speed for each treatment. Then, using the developed image processing algorithm in MATLAB, the changes in shrinkage were extracted and analyzed. Finally, the out moisture content of the product from dryer was modeled using the ANN. The results of this study indicated that the out moisture content and shrinkage of the dried product are dependent on temperature of dryer and speed of the conveyor belt. Specifically, with an increase in temperature and a decrease in conveyor belt speed, the degree of shrinkage increases Finally, results revealed that the ANN with 4-12-1 structure had best prediction performance with 1.06e-6, 1.24e-6, 9.46e-7 of RMSE and 0.9999, 0.9999, 0.9999 of R, respectively for training, validation and testing data. | ||
| کلیدواژه‌ها [English] | ||
| Artificial neural network, Moisture content, Machine vision, Shrinkage, Image processing | ||
| مراجع | ||
|
Adak, N., Heybeli, N., & Ertekin, C. (2017). Infrared drying of strawberry. Food Chemistry, 219, 109-116. Callan, N. W., Johnson, D. L., Westcott, M. P., & Welty, L. E. (2007). Herb and oil composition of dill (Anethum graveolens L.): Effects of crop maturity and plant density. Industrial Crops Products, 25(3), 282–287. Chen, J., Zhang, M., Xu, B., Sun, J., & Mujumdar, A. S. (2020). Artificial intelligence assisted technologies for controlling the drying of fruits and vegetables using physical fields: A review. Trends in Food Science & Technology, 105, 251–260. Doi:10.1016/j.tifs.2020.08.015 Canter, P. H., Thomas, H., & Ernst, E. (2005). Bringing medicinal plants into cultivation:opportunities and challenges for biotechnology. Trends in Biotechnology, 23(4), 180-185. Chasiotis, V., Tzempelikos, D., Mitrakos, D., & Filios, A. (2021). Numerical and experimental analysis of heat and moisture transfer for Lavandula x allardii leaves during non-isothermal convective drying. Food Engineering, 311, 110708. Chakravartula, S.S., Bandiera, A., Nardella, M., Bedini, G., Ibba, P., Massantini, R., & Moscetti, R. (2023). Computer vision-based smart monitoring and control system for food drying: A study on carrot slices. Computers and Electronics in Agriculture, 206, 107654. Doymaz, I., Tugrul, N., & Pala, M. (2006). Drying characteristics of dill and parsley leaves. Food Engineering, 77(3), 559-565. Erbay, Z., & Icier, F. (2010). A review of thin layer drying of foods: theory، modeling، and experimental results. Critical Reviews in Food Science and Nutrition, 50(5), 441–464. Esturk, O., & Soysal, Y. (2010). Drying properties and quality parameters of dill dried with intermittent and continuouse microwawe-convection air treatments. Journal of Agricultural Sciences, 16, 26-36. Hedayat, M., Mortezapour, H., Maghsoudi, H., Shamsi, M. (2016). Performance investigation of a heat recovery assisted solar dryer for mint drying. Iranian Journal of Biosystem Engineering, 46(4), 379-388, (In Persian). Kaveh, M., Amiri Chayjan, R., & Khezri, B. (2018). Modeling drying properties of pistachio nuts, squash and cantaloupe seeds under fixed and fluidized bed using data-driven models and artificial neural networks. Journal of Food Engineering, doi: 10.1515/ijfe-2017-0248. Kasali, S., Minaei, S., & ayyari, M. (2019). Effect of the drying process on saffron petals color features using machine vision. Saffron Agronomy & Technolog, 7(1), 81-91, (In Persian). Li, H. & Chen, S. (2020). A neural network based model predictive control scheme for grain dryers. Drying technology, 38(8), 1079-1091. Li, X., Liu,Y., Gao, Z., Xie, Y., & Wang, H. (2021). Computer vision online measurement of shiitake mushroom (Lentinus edodes) surface wrinkling and shrinkage during hot air drying with humidity control. Journal of Food Engi-neering, 292, 110253. doi:10.1016/j.jfoodeng.2020.110253 Midilli, A., Kucuk, H., & Yapar, Z.A. (2002). New model for single-layer drying. Drying Technology, 20(7), 1503. Mizukami, Y., Sawai, Y., & Yamaguchi, Y. (2006). Moisture content measurement of tea leaves by electrical impedance and capacitance. Biosystems Engineering, 93(3), 293-299. Motevali, A., Younji, S., Amiri Chayjan, R., Aghilinategh, N., & Banakar, A. (2013). Drying kinetics of dill leaves in a convective dryer. International Agrophysics. 27, 39-47. Martynenko, A. (2016). Improvement of kiwifruit drying using computer vision system (CVS) and ALM clustering method. Drying Technology, 35, 709–723. doi:10.1080/07373937.2016.1208665. Omari, A., Behroozi, N., & Faroogh, S. (2018). Drying kinetic and artificial neural network modeling of mushroom drying process in microwave-hot air dryer. Food Process Engineering, 41(7), e12849. doi: 10.1111/jfpe.12849. Rywotycki, R. (2003). Electric sensor for prompt measurement of moisture content in solid food products. Food Process Engineering, 25(6): 473-483. Rezaei, S., Behroozi-Khazaei, N., & Darvishi, H. (2019). Microwave power adjusting during potato slice drying process using machine vision. Computers and Electronics in Agriculture, 160, 40–50. doi:10.1016/J.COMPAG.2019.03.013 Seyedabadi, E., Khojastehpour, M., & Abbaspour-fard, M, H. (2019). Online measuring of quality changes of banana slabs during convective drying. Engineering in Agriculture, Environment and food, 12, 111-117. Su, Y., Zhang, M., & Mujumdar, A. S. (2015). Recent development of smart drying technology. Journal of Drying Technology, 33(3), 260-276. Suprapto, S., & Riyanto, E. (2020). Grape drying process using machine vision based on multilayer perceptron networks. Indonesian Journal of Science & Technology, 5(3), 382-394. Sabzevari, M., Behroozi-Khazaei, N., & Darvshi, H. (2021). Developing the Microwave- Hot Air Dryer with Power Density Control System Using Kinetic Modeling of Banana Slice. Iranian Journal of Biosystem Engineering, 52(4), 567-584, (In Persian). Wannapakhe, S., Chaiwong, T., Dandee, M., & Prompakdee, S. (2012). Hot air dryer with closed-loop oscillating heat pipe with check valves for reducing energy in drying process. Procedia Engineering, 32: 77-82. Wankhade, P. K., Sapkal, R. S., & Sapkal, V. S. (2013). Drying characteristics of okra slices on drying in hot air dryer. Procedia Engineering, 51, 371-374. Yadollahinia, A., Latifi, A., & Mahdavi, R. (2009). New methods for determination of potato slice shrinkage during drying. Computers and Electronics in Agriculture, 65 (2), 268–274. Zhu, G., Raghavan, G.S.V., Xu, W., Pei, Y., & Li, Z. (2023). Online Machine Vision-Based Modeling during Cantaloupe Microwave Drying Utilizing Extreme Learning Machine and Artificial Neural Network. Foods, 12, 1372. doi:10.3390/foods12071372 Zanoelo, E.F., Abitante, A., & Meleiro, L.A.C. (2008). Dynamic modeling and feedback control for conveyors-belt dryers of mate leaves. Journal of Food Engineering, 84, 458–468. | ||
|
آمار تعداد مشاهده مقاله: 97 تعداد دریافت فایل اصل مقاله: 73 |
||