农业中的人工智能5（2021）240豇豆种子质量自动检测和分离装置的开发、评价和优化J. A.K. 阿雷穆湾a尼日利亚马库尔迪农业大学农业环境工程系b尼日利亚伊巴丹大学农业&环境工程系。a r t i c l e i nf o文章历史记录：2021年3月20日收到收到修订版2021年102021年10月13日网上发售关键词：豇豆开发自动化优化艺术智能a b s t r a c t自动化和人工智能已被用于解决本研究的目的是开发、评价和优化豇豆种子质量检测分离装置，以满足国际出口标准。该装置的设计分为计量、自动化、输送带出口单元。使用由良好和不良（杂质）部分组成的样品进行评价 响应面法被用来评估，建模和优化器件的性能。采用回归分析和预测区间分析对优化结果进行了验证分离效率为68.966~94.118%，处理量为0.5 ~ 3 kg/h，最大处理手术因素对这些评价指标的影响有显著性意义（P0.05）.杂质分离效率、处理量和最大处理量分别为92%、2.689kg/h和32.781kg/12 h预测区间检验表明，验证实验平均结果落在计算的预测区间内.回归分析表明，模型预测值与验证实验结果之间的决定系数为0.9（90%）建议开发的设备始终以20rpm的计量速度运行，以获得最佳性能。版权所有© 2021作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍豇豆（Vigna unguiculata（L.）Walp）是最古老的人类蛋白质食物来源之一，自新石器时代以来一直作为作物存在。它既用于消费，也用作其他产品的工业原料全世界每年生产超过800万吨干豇豆种子，其中90%的产量来自非洲和亚洲。美国和欧洲是最大的出口国，尽管是最少的生产国。 这是因为亚洲和非洲生 产国无法达到国际出口标准（Henshaw，2008年，IITA，2015年，ACB，2015年，Snapp等人，2018 ， Rawal 和 Navarro ， 2019 ， FAOSTAT ， 2020 ， FAO ，2021）。本研究的目的是改变这种趋势，通过开发一种自动化的豇豆种子质量检测和分离设备，为欠发达的生产国。自动化是一个术语，用来描述一个操作，需要很少或根本没有人参与。在作物加工中，许多自动化活动都涉及机器视觉。根据技术简报（2019），机器视觉自动化为人类问题带来了前所未有的解决方案机器视觉涉及使用图像传感器来检测材料并将其分离。利用机器视觉实现自动化*通讯作者。电子邮件地址：audujoh@gmail.com（J. Audu），ademolaomooroye@gmail.com（A.K.Aremu）。农业谷物和种子加工业务已由各种研究人员进行。Casady和Paulsen（1989）研制了一种机器视觉玉米自动定位系统，无误差率达99%.Georg等人（1995）研制了一种小麦碎粒与未碎粒自动机器视觉分选系统，分选精度达95.8%。Wan（2002）开发了一种自动图像视觉谷物分选系统，使用两个摄像头，每分钟1296粒，准确率为99%。该系统进行了 测 试 ， 与 水 稻 ， 小 麦 ， jobesar ， 和 sorbenchkernels 。 Pearson（2009）开发了一种基于硬件的图像处理受损谷物分选设备。用玉米和小麦籽粒进行了试验，处理量分别为40 kg/h和8 kg/h，准确率分别为74%和91%Pearson（2010）开发了一种低成本的高速机器视觉谷物破损分选机。该系统进行了测试与小麦，大麦，硬质合金，和高粱种子。其吞吐量为25 kg/h，准确度范围为92%至96%，具体取决于被分选的谷物 Kirilova等人， 2013年开发了受损玉米种子图像识别和分级系统原型。系统的灵敏度、特异性、准确度和精密度分别为88.43%、93.88%、90.49%和94.79%。 Arkadiusz和Andrzej于2018年开发了一种2D机器视觉自动化机器，用于使用大米形状和颜色的病害大米分选系统。Injante等人，2020年开发了一套自动化图像处理系统，用于分拣利马豆，以满足出口标准。系统的测试表明可接受，https://doi.org/10.1016/j.aiia.2021.10.0032589-7217/© 2021作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/J. Audu和A.K. 阿雷姆农业人工241排异率分别为96.81%和95.26%这些研究者在评估过程中没有使用I-最优试验设计来模拟和优化其发展的作战能力建模是对我们自然世界中的概念和事件的表示，以研究和预测未来的实例。优化是数学建模的一部分（Zeigler等人， 2018年）。 Dantzig（2014）和Al-Baali等人（2018），将数值优化定义为在所考虑的元素组中选择最佳元素或因子。这些选择必须考虑到为选择设定 换句话说，优化是在一定条件下找到最佳的可用选择。有不同的数学方法来实现优化。 这些方法之一是响应面方法。响应曲面法（RSM）是一种数学技术，它开发了一种实验设计，可以将所有自变量或因素放在一起，并使用实验结果或结果产生方程，该方程可用于再现或预测实验结果或结果。虽然涉及复杂的计算（精心设计的回归分析），但它是实现优化的有效方法之一在响应面优化过程中开发的实验设计包括中心复合设计（CCD）; Box-Behnken（BB）;最优设计（Stat-Ease，2018;García和Peña，2018;Makowski，2020）。的目标本研究旨在开发、评估和优化豇豆种子质量检测和分离自动化设备的操作能力，以满足国际出口标准。2. 材料和方法2.1. 自动化装置的设计自动化装置的设计分为三大类：计量单元、自动化（人工智能）单元和输送带单元。详细的设计参数、计算和选择原因见表S1、S2、S3和S4（补充表）。在设计过程中参考的书面材料包括（Boumans，1985 年 ， Srivastava 等 人 ， 2006 年 ， Yalcin ， 2007 年 ， FennerDunlop，2009年，Sharma和Mukesh，2010年，Dunlop，2016年，O'Keefe，2017年，Tech简报，2019，哈伯斯特织物输送带工程指南，2021）2.2. 自动化设备设计组件2.2.1. 计量单元这包括一个11 kg/s容量的料斗，带有一个直径为120 mm的木制计量盘（等间距钻4个孔）图1.一、 图片（a）整个自动化单元（b）塑料盒外壳树莓派板和相机与TFT 5英寸。屏幕（c）树莓派板与一个PI相机板连接。J. Audu和A.K. 阿雷姆农业人工242附在底部（图G.补充文件中的S1这个计量盘的动力为2马力。电机以1450转/分的速度旋转，并连接到减速齿轮，减速比为1：80。这个减速齿轮允许种子和杂质一次计量一个进入自动装置。一个920 mm高的站立框架用于支撑整个计量单元（图1）。S1a）。2.2.2. 自动化单元图 1显示自动化单元。这包括树莓派3板模型B与一个Pi相机板连接放置在一个矩形塑料盒（图1a）。这个盒子上有一个5英寸的盖子。TFT屏幕也连接到树莓派板（图1b和c）。然后将盒子连接到90 mm长的PVC管上。管道内部被分成两个隔间，两个圆形塑料管道形成底座。两个微型伺服SG 90电机连接在PVC管内，使其旋转90度。两个（主要和次要）隔间的内部由LED灯照亮，LED灯也连接到乌藨子Pi板。适配器电源线用于为raspberry pi板供电。PVC管的末端有两个出口，分别用于拒收和接收材料。2.2.3. 输送带出口装置这包括PN（聚酯和尼龙）平纹组织（DIN代码EP）的带芯类型，强度范围为315该带具有1000 kg/m3的承载能力，长度和宽度分别为1300 mm和250 mm。皮带轮尺寸如图所示。S1b（补充文件）。2.3. 自动化装置Raspberry pi 板 操 作 系 统 软 件 从 Raspberry pi 组 织 网 站（www.raspberrypi.org/downloads/）下载。操作系统软件是按照公司的指示安装的。安装操作系统后，连接了Raspberry pi相机和TFT屏幕等其他设备，并从各自的公司网站下载了应用软件。根据安装说明，这些应用软件也安装在Raspberry pi板上。Raspberry pi相机现在用于拍摄150，000张好种子和杂质的图像（补充文件中的程序S1）。图2显示了用于自动化的pi相机拍摄的一些照片。这些捕获的图像现在保存在Raspberry pi板上，然后上传到笔记本电脑中。这些图像在那里-上传到Python软件后。由python软件开发的程序（人工在补充文件的程序S2中显示了Raspberry pi板上的。在开发python程序后，它被转移到Raspberry pi板上。图二、 一些在分选室内捕获的豇豆种子的图像，由用于开发分选软件程序的树莓派相机拍摄。J. Audu和A.K. 阿雷姆农业人工2432.4. 自动化装置的操作程序分离过程的操作流程图见图1。 3. 首先打开器械然后将待检测和分离的材料作为输入引入计量装置料斗中。然后计量滚筒在料斗的末端，将其引入自动化单元，一个接一个。当材料进入自动化单元时，Rasp-berry Pi相机板上的运动和接近传感器会检测到它的存在。当材料落入第一个检测室时，称为初级颗粒收集器（隔室）。 该初级谷物收集室（隔室）被LED灯泡良好地照亮（图1B）。 2）。LED灯泡连接到Pi摄像机板，并在自动化设备打开时亮起材料的图像照片由主收集室（隔室）中的pi相机传感器拍摄此图像被发送到Raspberry pi板进行处理，并将其与加载到板内存中的先前图像进行然后，Raspberry pi板启动主收集室（隔室）的圆形底部塑料搅拌器（致动器）旋转90度。该动作允许材料移动到称为次级颗粒收集室（隔室）的第二室（隔室）。这个房间也被LED灯泡照亮在次级谷物室（隔室）中，分离决定是进行了这一决定是使用人工智能程序（见补充材料中的程序S1和S2）由python程序软件开发，输入到乌藨子pi板。将拍摄的图像与存储的图像进行比较后，Raspberry pi板会自动激活执行器。这里的致动器是次级谷物收集室（隔室）的圆形塑料刮板底部。这个圆形底部要么向左倾斜90度，要么向右倾斜90度。底部的每次抽吸将材料引导到两个出口管中的任一个出口管称为材料从出口移动到传送带上。这些材料或者落在传送带的右边或者左边传送带将它们传送到传送带末端的另外两个出口 豇豆品质检测分离装置的完整组装结构示意图如图所示。四、2.5. 评价技术在尼日利亚伊巴丹的国家遗传资源和生物技术中心（NACGRAB）获 得 了 三 个 优 质 豇 豆 种 子 品 种 ， 即 ： NG/AD/11/08/0033 、NG/OA/11/08/063和NGB/OG/0055样品。进行了质量评估和用于评估的样品材料的选择，如输入运动感测初级种子收集器图像感测相机/带传感器的运动板伺服电机翻转器1TFT屏显示器二级种子收集器LED灯Raspberry Pi电路板伺服电机翻转器2拒绝接受适配器分离物料流PVC管概述电源自动化动作编程信息电流流动图3. 豇豆种子/杂质分离自动化装置流程图。J. Audu和A.K. 阿雷姆农业人工244¼ ð Þ图四、 豇豆品质检测分离装置的完整装配示意图。表1.本研究中用于与良好晶种（良好部分）混合的杂质（不良部分）的图像见图1。五、这些杂质由以下物质组成：表1质量评估和用于评估的材料的选择质量参数1级2级3豇豆的质量参数限值范围根据国际标准编制破碎种子（%）2-异物（%）0.5受损种子（%）4良率（%）93.5共计（%）用于制备本研究破碎的种子3%（0.06千克）5%（0.1千克）7%（0.14公斤）异物0.8%（0.016千克）1%（0.02千克）2%（0.04千克）伤害种子6%（0.12千克）10%（0.2千克）15%（0.3千克）坏的部分9.8%（0.196千克）16%（0.32公斤）24%（0.48千克）相当一部分90.2%（1.804千克）84%（1.68公斤）76%（1.52公斤）总100%（2公斤）100%（2公斤）100%（2公斤）资料来源：（a）非洲标准，2012年;（b）美国豆类标准，2008年;（c）马拉维标准草案（2015年）;（d）AHCX商品交易所，2014年;（e）澳大利亚豆类标准，2014/15年;（f）东非共同体，2010年，法典标准171-1989;（g）FDUSEAS755。 2013(i)Codex Standard 171-1989，n.d.a) 受损的种子-豇豆种子暴露在自然环境中六个月，它是昆虫和真菌的影响（图。5 a和b）b) 破碎的种子-粉碎豇豆种子（图。 5 c）c) 异物-结石（直径6 - 10 mm）（图 5 d）为了评价装置（机器）性能，将由不同品种和质量等级（杂质百分比：1级、2级和3级）组成的2 kg实验样品（好+坏部分）倒入计量料斗中。这是以12、16和20 rpm的速度计量。在带式输送机的拒收和验收出口处收集分离的样品。在每次运行（实验）结束时从出口收集的两个单独样品。进一步手工分选为好种子、破碎种子、异物和受损种子。然后称重并记录。还记录了每次实验运行的时间。计算评价参数，如等式所示。（1）A. 自动化装置（E）的分离效率（%）为杂质去除效率E在废料出口处收集的杂质重量x100 1实验用杂质总重量J. Audu和A.K. 阿雷姆农业人工245ðÞ ¼图五、 图片（a）患病种子（b）虫害种子（c）破碎种子和（d）石头;用于制备杂质。杂质总重量=（破碎种子+异物）重量身体+伤害种子）（2）实际利用率最大容量ð5ÞB. 自动化装置（T）的排量（kg/h）是一小时1小时ð3ÞC. 自动化装置（MC）的最大能力（kg/12 h）为12 h内去除的杂质（假设装置每天仅允许MC<$T投入率×运行时间<$T ×12小时<$4小时D. 自动化设备机器利用率是衡量机器使用强度的指标。机器利用率将实际机器时间（设置和运行时间）与可用时间进行比较。评价的操作因素有排种器速度、种子品种和种子等级。2.6. 建模、优化和验证用于建模和采集的实验设计采用响应面I-最优设计。用于建模和优化的软件是“Design Expert“版本10。优化的目标是实现设备设置，J. Audu和A.K. 阿雷姆农业人工246将产生最大的杂质分离效率、通量和容量。使用两种统计分析对器械进行确认：回归分析检验和预测区间检验。3. 结果和讨论3.1. 评价在评价期间获得的实验结果示于表2中。建模活动总结见表3。评价期间获得的杂质分离效率范围为68.966-94.118%，平均结果为82.758%。实验的标准偏差为7.479%。低标准偏差值为7.479%，表明获得的大部分杂质分离效率结果接近平均结果82.752%。这是好的，因为恒定的操作高分离效率是质量控制装置的期望特性Casady和Paulsen（1989）、Georg等人（1995）、Wan（2002）、Pearson（2009）、Pearson（2010）、Kirilova等人（2013）、Arkadiusz和Andrzej（2018）以及Injante等人（2020）对其他谷物和种子实现了类似的分离精度范围获得的杂质分离通量结果范围为0.5实验的标准偏差为0.777kg/h。低标准差还表明获得的大多数结果不随范围扩散，而是集中在平均通量1.352附近。这也是预测设备性能的良好品质。Wan（2002年）、Pearson（2009年）和Pearson（2010年）报告了其他谷物和种子的类似通量结果范围。获得的最大杂质分离能力结果范围为6 - 36 kg/12 h。获得的平均值为16.404 kg/12 h，实验平均偏差为9.473 kg/12 h。9.473 kg/12 h的低标准偏差值表明，获得的大多数最大杂质分离能力结果接近16.404 kg/12 h的平均结果这些知识可以帮助操作员安排他的工作时间和操作成本整个过程中，器械获得的实际利用实验这是因为在整个评价实验中使用了2 kg的恒定样品重量。2 kg代表器械材料承载和处理能力的8.3%。根据这些信息，本研究推断该器械一次可搬运和处理24 kg（100%利用率）3.2. 操作因素对评价参数操作因素如计量速度、品种和所用样品的等级对评价参数如分离效率、通量和最大容量的影响如图所示。6和图7 分离效率与计量速度的二维曲线图显示了二次关系（图1）。 6 a）。该曲线图表明，种子计量速度的增加将分离效率降低到一定程度。然后，进一步的增量开始增加效率。这种现象可以归因于图像处理时间。设定的图像比较时间为5秒（程序S2）。因此，增加种子计量的速度（进料速率）将导致在分离室中这可能导致在将采集图像与存储图像进行比较期间做出错误的决定，从而降低分离效率。Pearson等人也提到了类似的观察结果， 2008年，他在评估一种用于分离红小麦和白小麦的基于彩色图像的分选机。他们还注意到，增加联邦成员影响小麦种子从其杂质中分选的准确性因此，本研究建议，为提高分离效率，计量速度应从其设计计量速度15 rpm降低从品种和等级的分离效率三维图可以看出，NG/AD/11/08/0033（小白粒）的分离效率最高，NGB/OG/0055（红粒）的分离效率最低。 7a）。这种趋势可以解释为NG/AD/11/08/0033品种的亮白色和小尺寸造成它的颜色使它更容易被pi相机检测到，而它的大小使它能够更快地被测 量 NGB/OG/0055 （ 红 色 种 子 ） 品 种 在 其 检 测 过 程 中 颜 色 延 迟Pasikatan和Dowell（2003年）在评价用于分离白小麦和红小麦中杂质的高速分选机期间报告了类似的情况分选的灵敏度和准确度较低，表2自动化设备评估结果。运行因素响应计量速度级各种分离效率分离式压缩机最大分离能力实际利用rpm%kg/Hkg/12 h11613391.8920.6808.1600.08321633390.9091.81821.8180.08331223390.6150.87510.5000.08341635572.7271.33316.0000.08352016380.9732.25730.5420.08362026381.5792.58331.0000.08372036381.8182.64731.7650.08381615570.0000.78411.0000.08392025576.9233.00036.0000.083101636382.3532.10025.2000.083111215573.1710.5006.0000.083121236385.7391.04512.6740.083131613391.8920.6808.1600.083141635572.7271.33316.0000.083152033390.0002.64731.7650.083161633390.9091.81821.8180.083172015577.2951.23114.7690.083181226382.1430.85210.2220.083191216380.6450.5776.9230.083201226382.0000.81010.0000.083211213394.1180.5716.8570.083221623389.2861.19014.2860.083231225568.9660.6067.2730.083241616382.3530.7008.4000.083251623387.9231.15412.9780.083J. Audu和A.K. 阿雷姆农业人工247表3自动化装置评价参数建模综述软件：Design Expert版本10研究类型：响应面设计类型：I-optimal亚型：随机化块：无块因子单位类型亚型MiJiang最大值编码值是说STD. Dev. ⁎计量转速rpm数值离散12201= 121= 2015.683.038职等标称13等级：3品种分类标称055063等级：3响应单位观察值分析闵最大值是说STD. Dev. ⁎比反式模型分离效率% 25多项式68.96694.11882.7587.4791.365没有一二次分离出料kg/h 25多项式0.5003.0001.3520.7776没有一线性最大分离能力kg/12h 25多项式6.00036.00016.4049.4736没有一线性实际利用率25多项式0.0830.0830.0832.83E-171没有一线性最小值是最小值，最大值是最大值，转换是转换，标准。Dev. 是标准差。红小麦混合物比白小麦更好因此，这项研究表明，开发的设备分离白豇豆比红豇豆更好 设备吞吐量与计量速度的曲线图显示了线性关系（图1）。 6 b）。随着计量速度的增加，吞吐量增加这种行为可以从增加计量速度增加一小时内引入自动化单元的材料数量的观点来解释因此，更多的杂质可能在一小时内分离。Kawusara（2019）和Injante等人（2020）在评估和测试期间也报告了类似的观察结果他们的图像处理装置分别用于豇豆和利马豆。尽管获得的0.5-3 kg/h的通量范围为了改善这一点，建议使用更高版本的树莓板，具有更短的决策 时 间 （ 处 理 速 度 ） 品 种 和 等 级 上 的 吞 吐 量 的 3D 图 显示;NG/OA/11/08/063具有最高吞吐量，NGB/OG/0055最低;等级3具有最高吞吐量，等级1最低（图7b）。这可能是因为NG/OA/11/08/063品种具有非常大Design-Expert®软件因子编码：实际分离效率（%）设计点95% CI带X1 = A：计量速度实际系数B：等级= 3C：品种= 033100908070一个因素Design-Expert®软件系数编码：实际分离出料量（kg/hr）设计点95% CI带X1 = A：计量速度实际系数B：等级= 3C：品种= 03332.521.51一个因素Design-Expert®软件系数编码：实际6012 14 16 18 20A：计量速度（rpm）一个因素0.512 14 16 18 20A：计量速度（rpm）最大分离能力（kg/12 hr）设计要点95% CI带X1 = A：计量速度实际系数B：等级= 3C：品种= 0332010012 14 16 18 20A：计量速度（rpm）图第六章计量速度对（a）分离效率（b）分离产量（c）最大分离能力的影响的2D图。警告！警告！涉及多个相互作用的因素预测90.07132（2（预测2.45126（2预测29.4055分离效率（%）最大分离能力（kg/12 hr）分离出料量（kg/hr）4030J. Audu和A.K. 阿雷姆农业人工248最大分离能力（kg/12 hr）Design-Expert®软件因子编码：实际分离效率（%）设计点高于预测值设计点低于预测值X1 = B：等级X2 = C：品种实际因子A：计量速度= 2090.0713Design-Expert®软件系数编码：实际分离出料量（kg/hr）设计点高于预测值设计点低于预测值X1 = B：等级X2 = C：品种实际因子A：计量速度= 2032.45126（一）1009080706006305503332B：等级1Design-Expert®软件系数编码：实际（b）第（1）款2.521.510.5063055C：品种03332B：等级1C：品种最大分离能力（kg/12 hr）设计点高于预测值设计点低于预测值X1 = B：等级X2 = C：品种实际因子A：计量速度= 2040(a)3029.4055201030063055C：品种0332B：等级1图第七章 种子品种和等级对（a）分离效率（b）分离通量（c）最大分离能力的影响的3D图。亮白色，比具有红色种子的NGB/OG/0055更容易检测此外，具有更多杂质的等级3每次必须分离更多杂质类似的吞吐量行为Pearson等人（2008），Pearson（2009）和Pearson（2010）观察到。根据计量速度绘制的最大容量图与吞吐量图相同或相似（图6c）。此外，表4自动化装置运行性能评价的优化结果约束低上低上名称目标限制限制重量重量重要性计量速度范围内1220113级范围内13113各种范围内055063113EF值最大68.96694.118113吞吐量最大0.53113最大容量最大636113实际利用没有一0.0830.083113溶液编号计量速度级各种EF值吞吐量最大容量实际利用可取性120303390.0712.45129.4050.0830.799220203390.0542.28727.4450.0830.754320306381.8522.68932.7810.0830.737420206382.1832.52530.8210.0830.706520103392.5981.69420.9260.0830.607620106381.4641.93224.3020.0830.558720305575.4842.41329.1850.0830.535820205576.2702.24927.2240.0830.524920105576.7481.65620.7050.0830.412分离效率（%）分离出料量（kg/hr）J. Audu和A.K. 阿雷姆农业人工249品种和等级上的最大容量行为类似于品种和等级上的吞吐量图（图7c）。对吞吐量图给出的类似解释也可以用于最大容量。3.3. 建模与优化如表S5（补充表）所示，考虑了五个多项式方程用于评价参数的建模和优化这些方程为：线性、2因子交互作用（2FI）、二次（2阶多项式）和三次（3阶多项式）。分离效率选用二次方程模型。这种选择是基于这样一个事实，即在测试的模型方程二次方程具有最高的：缺乏拟合p值（描述方程是否充分描述变量之间关系的值）;调整的R方（数据结果接近预测因子调整的回归线的程度选择线性方程模型对分离通量和最大分离能力进行建模和优化。 这种选择是基于这样一个事实，即在测试的多项式中。线性方程具有最高的序贯p值（项不是建模噪声的概率）和预测R方。利用这两个模型方程对评价参数进行优化，但首先计算方差分析和统计参数。评估参数的ANOVA、统计参数和模型方程项显示在表S6、7和8（补充表）中。方差分析显示，所有开发的用于评价参数的模型在P0.05时均具有显著性，而在P 0.05时其拟合缺失不具有显著性（表S6）。这些都是一个非常好的预测模型的良好表S7显示了所开发方程的统计质量这些统计范围是标准差（0-调整后的R平方（0.7- 0.965）、预测的R平方（0.5-0.876）、等同精密度（14-22.924）、贝叶斯信息标准（BIC）（29-156.401）和Akaike信息标准（AIC）（26-153.754）。这些建模统计范围表明，所开发的模型可用于在95%置信水平下准确优化所开发器械的评价参数。模型方程见表S8（补充表）。通过优化设备操作获得的最佳解决方案如表4所示。优化的目标是实现最大的分离：效率，吞吐量和容量。这是在本研究中使用的计量速度、品种和等级的实验范围内完成的得到了9个最优解。当以20 rpm的计量速度处理1级NG/AD/11/08/0033品种时（表4中的溶液5），自动化装置实现了其最高分离效率最大分离效率验证90.40090.30090.20090.10090.00089.90089.000 89.500 90.500 91.000 91.500实验验证平均值（%）分离吞吐量验证2.9002.8002.7002.6002.5002.200 2.300 2.400 2.500 2.600 2.700实验验证平均值（kg/hr）最大分离能力验证40.00030.00020.00010.0000.00027.000 28.000 29.000 30.000 31.000 三万二三万三实验验证平均值（kg/12小时）图八、自动化装置运行确认的回归分析。当以20 rpm的计量速度处理NG/OA/11/08/063品种的3级时，获得了分离通量（2.689 kg/h）（表4中的溶液3）。当以20 rpm的计量速度处理3级NG/OA/11/08/063品种时，实现了最大分离能力（32.781kg/ 12 h）（表4中的溶液3）。更表5自动化设备的验证结果双侧置信度= 95%因子用于验证的低水平高水平STD. Dev.⁎编码计量速度2012200实际级313N/A实际各种033055063N/A实际响应预测验证预测中值评价数据标准差NPred标准品95%PI验证实验95%PI是说验证是说误差低是说高EF值90.07190.07182.7581.38951.86385.92090.14294.223普雷蒂安2.4512.4511.3520.33850.3781.6592.7523.244最大容量29.40529.40516.4044.30654.82419.30932.83639.502实际利用率0.0830.0830.0831.36× 10−17500.0830.0830.083PSN是实验观测值的数量，PI是预测区间，Std Dev.是标准差，Pred Std是预测标准。R² = 0.8926R² = 0.7387R² = 0.9895预测验证平均值(kg/小时）预测验证平均值(kg/12小时）预测验证平均值（%）J. Audu和A.K. 阿雷姆农业人工250根据业务目标，可以从表4中进行选择在20 rpm的计量速度下获得所有最佳结果。这意味着自动化装置不应在低于或高于20 rpm的计量速度下运行。3.4. 验证通过预测区间（PI）统计分析检验，验证了所用模型对分离效率、分离通量和最大分离能力的预测能力。平均验证结果见表5（完整结果见补充材料表S9）。分析表明，分离效率、分离通量和最大分离量的平均验证实验结果均位于计算的95%预测区间（95%PI）和计算的95%预测区间（95%PI）之间。这表明模型在统计预期范围内进行预测此外，还进行了回归分析，以验证模型的预测能力（图8）。根据验证实验结果绘制 预 测 结 果 之 间 的 回 归 图 。 分离效率的决 定 系数（ R2 ） 为 0.892（89.2%），分离通量的决定系数（R2）为0.738（73.8%），最大分离能力的决定系数（R2）为0.989（98.9%）。这些值表明，用于优化预测的开发模型的准确度和精确度在73-93%的范围内4. 结论研制了一种由三个单元组成的自动（人工智能）质量分选装置。这些单元是计量，自动化和皮带输送出口。为了评价该装置，对其分离效率、通量和最大容量进行了建模和优化。最佳工艺条件为：杂质分离效率92%，杂质分离能力2.689kg/h，最大杂质分离能力32.781kg/12 h。确定了操作因素如豇豆品种、豇豆出口等级和计量速度对设备评价参数如杂质分离效率、通量和最大容量的影响还确定了装置的计量速度不应低于或高于20 rpm，以获得最佳杂质分离结果。该人工智能装置也可应用于豇豆种子分级加工线，实现豇豆种子出口级品质。竞争利益声明我和合著者之间没有任何利益冲突这项研究没有得到任何合作或机构的资助这项研究是我博士研究工作的一部分附录A.补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.aiia.2021.10.003。引用非洲生物多样性中心（ACB），2015年。转基因和种子产业关注非洲布基纳法索、加纳。https://www.acbio.org.za/gm-and-seed-industry-eye-africas-lucrative-cowpea-seed-markets-political-economy-cowpea-尼日利亚.非洲标准，2012年。豇豆-规格。第867章.非洲标准化组织www.arso-oran.org网站。AHCX商品交易所，2014年。 AHCX豇豆合同。 马拉维.www.ahcxmalawi.com/beta/wp-content/.../ 03/AHCX-Cow-peas-Contract-2014.pdf于2017年7月24日访问。Al-Baali，M.，格兰迪内蒂湖Purnama，A.，2018年数值分析与优化。第四届数值分析与优化国际会议论文集苏丹卡布斯大学，马斯喀特，阿曼ISBN：978-3-319- 90026-1https://images.springer.com/sgw/books/medium/9783319900254.jpg。Arkadiusz，N.，Andrzej，S.，2018年以视觉系统为基础之米粒自动分拣系统之设计Proc.SPIE 10808，光子学在天文学、通信、工业和高能物理实验中的应用，1080816https://doi.org/10。1117/12.2501658。澳大利亚脉冲标准，2014/15.http://www.pulseaus.com.au网站。Boumans，G.，一九八五年 粮食的处理和储存。 农业工程的发展4. © Elsevier Science Publishers B.V ISBN 0-444-42439-3（Vol.4）。 ISBN 0-444-41940-3（series）.卡萨迪·WW. 和Paulsen，M.R.，一九八九年谷物计算机视觉分析的自动籽粒定位装置。美国汽车工程师学会会刊32（5）：1821-1826。DOI：10.13031/2013.31229。Codex Standard 171-1989，d.某些豆类食品法典标准www.fao.org/.../ s ta nd ar ds/. . ./CXS171e. pd f% 3B jsss ionid=1F970 60 3 7 6D5A 13 0C 7F.Dantzig，B.G.，2014年。数学规划的本质存档了回到机器的路上数学编程词汇表，信息计算协会。得glossary.computing.society.informs.org.马拉维标准草案，2015年。干豆第245章. ICS 67.060 www. mbsmw.org网站。Dunlop，2016.输送带技术手册。版本2.6. www.dunlopconveyorbelting. 联系我们Dunlop_技术_手册。芬 纳 · 邓 洛 普 ， 2009 年 。 运 输 手册 。 输 送 带 澳 大 利 亚。 www2.hcmuaf.edu. vn/.../5_Fenner%20Dunlop_%202009_%20输送机%20手柄东非共同体，2010年。东非标准豇豆-规格和分级。CD/K/453。ICS67.060. HS 0713.39.15。 www.each.int网站。粮农组织、农发基金、儿基会、粮食署、世卫组织，2021年。改变粮食系统，为所有人提供粮食安全、改善营养和负担得起的健康饮食《2021年世界粮食安全和营养状况》粮农组织，意大利罗马。https://doi.org/10.4060/cb4474en网站。FAOSTAT，2020年。http://www.fao.org/faostat/en/#data/QC于2021年1月20日访问。第755章.2013年。乌干达标准最终草案豇豆-规格。联合国统计处。www.nubs.go.ugGarcía，J.，Peña
我的内容管理
展开
