Wykorzystanie SSN do wyznaczania twardości ziarna pszenicy

• Autorzy: Hebda T. , Francik S.

Warianty tytułu

EN

Utilization of ANN to determine wheat grain hardness

• Języki publikacji: PL

Abstrakty

PL

W pracy opracowano modele wykorzystujące sztuczne sieci neuronowe do wyznaczania twardości ziarna pszenicy (odmiany Mewa, Korweta, Sakwa, Symfonia, Zyta i Elena). Po przebadaniu 100 sieci wybrano jako model sieć typu perceptron trójwarstwowy. Jako dane wejściowe istotne okazały się: grubości i szerokości ziarna oraz zawartości białka. Wybrana sieć neuronowa zachowała zdolność generalizacji - średni błąd względny dla danych testujących (nie wykorzystywanych w procesie uczenia) były nieznacznie większy niż dla danych walidacyjnych.

EN

The paper presents developed models using artificial neural networks (ANN) to determine wheat grain hardness (Mewa, Korweta, Sakwa, Symfonia, Zyta and Elena varieties). A three-layer perceptron-type network was selected as a model after having tested 100 networks. Grain thickness and width and protein content turned out to be important as input data. Selected neural network maintained its ability to generalize - average relative error for testing data (not being used in learning process) was slightly higher than for validation data.

Słowa kluczowe

PL

sztuczna sieć neuronowa; ziarno; twardość; zawartość białka

EN

artificial neural network; grain; hardness; protein content

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2006
• Tom: R. 10, nr 12(87)
• Strony: 181--188
• Opis fizyczny: Bibliogr. 13 poz., rys., wykr.

Twórcy

autor

Hebda T.

autor

Francik S.

• Uniwersytet Rolniczy w Krakowie, Wydział Inżynierii Produkcji i Energetyki, Katedra Inżynierii Mechanicznej i Agrofizyki,

Bibliografia

• Frączek J., Hebda T. 2003. Wpływ kąta wierzchołkowego końcówki penetratora na mierzoną twardość nasion fasoli. Acta Agrophysica, 82, 41-50.
• Hebda T. 2003. Ocena twardości i sprężystości ziarnistych materiałów roślinnych. Rozprawa doktorska, Kraków.
• Lyon D. J., Shelton D. R. 1999. Fallow management and nitrogen fertilizer influence winter wheat kernel hardness. Crop Sci., 39, 448-452.
• Mueller W., Nowakowski K., Boniecki P. 2003. Sztuczne sieci neuronowe do predyspozycji pola temperatur w kamiennym magazynie energii cieplnej. Inżynieria Rolnicza, nr 12 (54), 267-274.
• Obuchowski W., Gąsiorowski H., Kołodziejczyk P. 1981. Twardość ziarna pszenicy jako kryterium jego jakości. Postępy Nauk Rolniczych, 5/81, 97-107.
• Obuchowski W. 1985. Twardość ziarna pszenicy: znaczenie technologiczne i czynniki wpływające na tę własność, Rocznik Akademii Rolniczej w Poznaniu str. 1-56.
• Soszyńska M., Cacek-Pietrzak G. 1992. Mikrotwardość ziarna żyta, Przegląd Zbożowo-Młynarski nr 2 - 3 str. 7-8.
• Ślipek Z., Francik S., Frączek J. 2003. Metodyczne aspekty tworzenia modeli SSN w zagadnieniach agrofizycznych. Acta Agrophysica 2003, 2 (1), 231-241.
• Francik S., Frączek J. 2001. Model development of the external friction of granular vegetable materials on the basis of artificial neural networks. Int. Agrophisics, 15,231-236.
• Złobecki A., Francik S. 2001. Defining the damaging process of cereal grains on the basis of artificial neural network. Int. Agrophisics, 15, 219-223.
• Łapczyńska-Kordon B., Francik S. 2002. Wykorzystanie sztucznych sieci neuronowych do wyznaczania współczynnika dyfuzji masy. Inż. Rolnicza 9 (42), 163-168.
• Ślipek Z., Francik S., Frączek J. 2003. Metodyczne aspekty tworzenia modeli SSN w zagadnieniach agrofizycznych. Acta Agrophysica, 95, 231-241.
• Francik S., Frączek J., Ślipek Z. 2005. The use of artificial neural networks for cereal grain contact surface modelling. II International Scientific Conference: Information Technologies and Control Engineering in Management of Production Systems. Prague 20-22 September 2005, tome I, 52-59.