مجید لشگری

برنج یکی از اصلی‌ترین غلات جهان شناخته می‌شود که دوسوم جمعیت جهان به‌ویژه در کشورهای آسیایی، از آن تغذیه می‌کنند. ارزیابی دقیق درصد دانه‌های پرشده (PFG) برای کارایی و کیفیت برداشت برنج حیاتی است. روش‌های سنتی اندازه‌گیری درصد دانه‌های پرشده کاربردی و مبتنی بر قضاوت شخصی است. این مطالعه رویکردی نوآورانه و غیرمخرب بر پایه حسگر صوتی در کنار مدل‌های یادگیری عمیق برای پیش‌بینی درصد دانه‌های پرشده بر اساس طیف صوتی دانه‌های برنج ارائه می‌دهد. با استفاده از معماری پیشرفته یادگیری عمیق، طیف عمیق که مستقیماً روی داده‌های طیفی خام کار می‌کند، نیاز به پیش‌پردازش حذف شد و دقت پیش‌بینی بهبود یافت. از لوله امپدانس تغییریافته، برای اندازه‌گیری طیف صوتی استفاده شد؛ سپس با استفاده از مدل طیف عمیق برای پیش‌بینی درصد دانه‌های پرشده، یافته‌ها تجزیه‌وتحلیل گردید. نتایج نشان داد که این رویکرد تجزیه‌وتحلیل داده‌های طیفی کمّی را به‌طور قابل توجهی بهبود بخشیده و پیش‌بینی قابل اعتمادی از پرشدگی دانه‌های برنج ارائه می‌دهد. دقت پیش‌بینی مدل طیف عمیق در مقایسه با روش‌های سنتی به‌طور قابل توجهی بالاتر بود و خطای جذر میانگین مربعات پیش‌بینی (RMSEP) پایین (05/0 ± 24/0) و ضریب تعیین (R²) (02/0 ± 95/0) بدست آمد. پیش‌بینی که برای ارزیابی کیفیت برنج، اصلاح نژاد و تحقیقات ژنتیکی برنج حیاتی است. این مطالعه دیدگاه و روش‌های جدیدی را درزمینۀ پیش‌بینی و طبقه‌بندی کیفیت دانه‌ها با استفاده از تحلیل طیف صوتی و یادگیری عمیق به حوزه تحقیقات کشاورزی ارائه می‌دهد که می‌تواند برای پژوهش‌های آتی در این زمینه مفید باشد.