نحوه كار دستگاه به اين ترتيب است كه نمونه ها از قسمت ورودي دستگاه روي تسمه نقاله قرار مي گيرند. دوربين و ديود ليزري در بالاي تسمه نقاله به ترتيب به صورت عمودي و مورب نصب مي گردند؛ سپس نمونه ها با حركت بروي تسمه نقاله توسط ديود ليزري مورد كاوش قرار مي گيرند، در اين هنگام دوربين نيز در چند فريم متوالي از نمونه ها عكس گرفته و تصاوير كه در آن ها بازتاب نور ليزر قرار دارد از طريق كارت تصويرگير به كامپيوتر منتقل شده و در محيط برنامه نويسي MATLAB يا C++ مورد تحليل قرار گرفته و شكل سه بعدي آن ها استخراج مي گردد. در مرحله بعد حجم قطعات مرغ از شكل سه بعدي تخمين زده مي شود كه اين مسئله مي تواند در فرايند بسته بندي قطعات مرغ بسيار مهم باشد و نمونه هايي كه در يك محدوده حجمي قرار دارند در يك بسته قرار گيرد (به طور مثال سينه هاي تقريباً هم حجم) و به اين ترتيب تعداد مشخصي از نيروي كارگري در خطوط قطعه بندي و درجه بندي مرغ قطعه بندي شده حذف مي گردند. پس از اين مرحله از تصاوير رنگي گرفته شده توسط دوربين CCD شاخص هاي شكلي، رنگي و بافتي استخراج گرديده و به عنوان ورودي به روش مبتني بر هوش محاسباتي داده مي شود تا هر قطعه توسط مدل توسعه داده شده درجه بندي گردد. در نهايت مركز كنترل به عملگرها دستور مي دهد تا عمليات درجه بندي را بر اساس نوع قطعات مرغ (ران، سينه، فيله و بال) انجام دهد.

قيمت بالاتر روغن زيتون در بازار نسبت به روغن هاي خوراكي ديگر انگيزه لازم را براي ورود سودجويان متقلب به اين حوزه فراهم ‌كرده است. عمده‌ترين روش تقلب، مخلوط كردن روغن‌هاي نباتي با روغن خالص زيتون است. بنابراين به راحتي نمي‌توان سنجيد كه آيا روغن زيتون عرضه شده خالص است يا با محصولات روغني ديگر مخلوط شده است.. هدف اين اختراع، ارائه يك دستگاه قابل‌ حمل و ارزانقيمت به‌ منظور تشخيص تقلب روغن ‌زيتون به كمك كاوشگر دي الكتريك است. يك دستگاه الكترونيكي مجهز به يك حسگر دي الكتريك طراحي و ساخته شده است. دستگاه ولتاژ مربوط به ثابت دي الكتريك و ضريب اتلاف نمونه ها را اندازه گيري كرده و تقلب را تشخيص مي دهد. در اين طرح از تكنيك هوش مصنوعي در تشخيص تقلب استفاده مي شود. دستگاه ساخته شده از بدنه، منبع تغذيه، واحد توليد سيگنال سينوسي، واحد اندازه گيري پارامترهاي دي الكتريك، ميكروكنترلر AVR، واحد ارتباط با رايانه (PORT COM)، كاوشگر دي الكتريك ، مدار چاپي، نمايشگر و رايانه تشكيل شده است.

تعيين دقيق ضريب زبري مانينگ به دلايل مختلف از جمله وضعيت هيدروليكي جريان، تغييرات زماني و مكاني پارامترهاي خاك، وجود پوشش گياهي و نوع آن كاري زمان بر و تا حدودي غير ممكن است. روش‌هاي مختلفي بدين منظور توسط محقيقن ارائه شده است؛ اما يافتن روشي سريع و با دقتي نسبتاً مناسب و از طرف ديگر جامع و قابل توصيه بودن اين روش در ساير مزارع امري مهم و ضروري به نظر مي‌رسيد. براي پاسخ به اين نياز از تلفيق تكنيك‌هاي پردازش تصوير و يادگيري ماشين استفاده شد تا بتوان زبري مانينگ در آبياري جويچه‌اي را با برداشت تصوير از سطح جويچه تعيين نمود. بدين منظور ابتدا با استفاده از داده برداري‌هاي متعدد مزرعه‌اي و بهره‌گيري از مدل SIPAR_ID و معادله مانينگ، مقادير واقعي ضريب زبري در فاز پيشروي و ذخيره تعيين گرديد. سپس تصاويري از سطح جويچه‌ها در شرايط نورپردازي مشخص، تهيه شد و نرم‌افزاري كارآمد با دقت بسيار مناسب در تخمين ضريب زبري در فاز پيشروي و ذخيره با استفاده از استخراج ويژگي‌هاي بافت، شكل و رنگ تصاوير و استفاده از روش طبقه‌بند جنگل تصادفي توسعه داده شد. اين اختراع نسبت به روش‌هاي تجربي، ساده، كم هزينه، سريع و دقيق‌تر است و مي‌تواند جايگزين روش‌هاي موجود گردد.