امروزه در کشورهای توسعه‌یافته، به کارگیری دستگاه های تخصصی فرآوری محصولات کشاورزی، یکی از رایج ترین روش‌های پایین آوردن قیمت نهایی این محصولات می‌باشد. بدین منظور برای فرآوری برگ درختچه حنا، ابتدا دستگاه جداکننده برگ در نرم‌افزار SolidWorks مدل‌سازی و سپس ساخته شد. همچنین به منظور ارزیابی دستگاه از سه عامل سرعت چرخش غلتک ها در دو سطح 1550 و 750 دور بر دقیقه، فاصله بین غلتک‌های جداکننده در سه سطح 2، 3 و 4 میلی‌متر، رطوبت در سه سطح 14%، 45% و 87% در قالب طرح فاکتوریل و سه تکرار برای هر آزمایش استفاده شد. برای بررسی عملکرد دستگاه درصد موفقیت در جداسازی برگ به عنوان معیار ارزیابی در نظر گرفته شد. تحلیل نتایج بیانگر تاثیر معنی دار سرعت غلتک‌ها، رطوبت ساقه‌های حنا و تاثیر دوگانه عوامل و همچنین اثر متقابل سه گانه بر موفقیت در میزان جداسازی برگ از ساقه بود. نتایج نشان داد که بهترین عملکرد دستگاه در سرعت 550 دور بر دقیقه غلتک‌ها، با فاصله 2 میلی متر بین غلتک‌ها و دررطوبت 14% برگ‌ها حاصل شد. پرونده مقاله

درجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مورد استفاده در این مقاله 300 تصویر می باشد که برای هر کدام از سطوح تعداد 100 تصویر جمع آوری گردیده است.در این پژوهش استفاده از دو رویکرد یادگیری ماشین و یادگیری انتقالی برای طبقه بندی وضعیت میزان رسیدگی میوه پاپایا پیشنهاد شده است.رویکرد یادگیری ماشین شامل استفاده از سه توصیف گر ویژگی و سه طبقه بندی کننده مختلف می باشدکه عبارت انداز: الگوریتم دو دویی محلی (LBP)، ماتریس هم رخداد سطح خاکستری (GLCM)،هیستوگرام گرادیان های جهت دار(HOG)، الگوریتم طبقه بندیk- نزدیک ترین همسایه(KNN)، ماشین بردار پشتیبان(SVM)، و الگوریتم طبقه بندی کننده بیزی ساده (Naïve Bayes). روشهای یادگیری انتقالی شامل استفاده از شش مدل یاد گیری عمیق از پیش آموزش داده شده Alexnet,Googlenet,Resnet101,Resnet50,Resnet18,VGG19 می باشد.طبقه بندی‌کننده KNN با استفاده از توصیف گر ویژگی HOG توانسته است به صحت4/95 درصد و زمان آموزش 3:52 ثانیه دست پیدا کند.طبقه بندی کننده مبتنی بر رویکرد یادگیری انتقالی VGG19 با بدست آوردن صحت 100 درصدی و زمان آموزش 10:42 ثانیه توانست عملکرد بهتری را در میان سایر شبکه های یادگیری عمیق ثبت کند.دو روش طبقه بندی با استفاده از روش های یادگیری ماشین و یادگیری انتقالی توانسته‌اند هر کدام صحت 4/95، و 100 درصدی را بدست بیاورند که به ترتیب 7/0 و 6 درصد بیشتر از روش‌های پیشنهادی موجود می باشد. پرونده مقاله