Ein nicht destruktiver Ansatz zur Erkennung der Reife von jungen Kokosnüssen mittels akustischer Vibration und neuronalen Netzwerken

Die Klassifizierung der Fruchtreife, insbesondere bei Kokosnüssen, könnte einen erheblichen Einfluss auf die Verbesserung der Standards in der Nachernteindustrie haben. Ein Hauptgrund dafür ist, dass die Reife mit der Qualität verbunden ist und die Vermarktung des Produkts beeinflussen kann. In den Philippinen werden junge Kokosnüsse, allgemein bekannt als Buko, in drei Stadien unterteilt, nämlich: Malauhog, Malakanin und Malakatad. In diesem Papier wird ein Klassifizierungssystem vorgeschlagen, um eine wissenschaftlichere Methode zur Vorhersage des Reifestadiums junger Kokosnüsse zu etablieren. Schallvibrationen wurden durch eine konstante Vibrationsquelle von einem Vibrationsmotor erzeugt, anschließend wurden die Schallsignaturen oder akustischen Antworten von einem Vibrationssensor gesammelt. Die Vibrationen wurden dreimal (3) von drei (3) Flächen und drei (3) Kanten jeder Probe erfasst, was zu insgesamt achtzehn (18) Schallsignaturen für jede Kokosnuss führte. Das Modell wurde mit 150 Proben trainiert und getestet. Neun (9) Schallsignaturen von den achtzehn wurden im Trainingsphase nach der Anwendung von PCA als signifikant identifiziert. Es wurden vier (4) Klassifizierer in der Studie verwendet, nämlich: SVM, KNN, ANN und DT. Das Klassifizierungssystem basiert auf dem Vorhersagemodell mit der höchsten Genauigkeit, dem künstlichen neuronalen Netzwerk (ANN). Das ANN-Modell erzielte eine Genauigkeit von 93,3%.