تخمین گرانروی شیره خرما با استفاده از ماشین بینایی و شبکه عصبی مصنوعی

ماشین های کشاورزی

مقاله 6، دوره 8، شماره 2 - شماره پیاپی 16، 1397، صفحه 309-320   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v8i2.61681

نویسندگان

عبدالعباس جعفری^* ؛ احسان تاتار

گروه مهندسی بیوسیستم، دانشگاه شیراز، شیراز، ایران

چکیده

تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازه‌گیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز می‌باشد. روش‌های اندازه‌گیری گرانروی متداول نیازمند نمونه‌گیری از فرآورده بوده و در عین حال زمان‌بر می‌باشند و لذا از این روش‌ها نمی‌توان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند به‌صورت بلادرنگ وضعیت گرانروی مایع را پایش نماید، از ملزومات یک سیستم کنترل کیفیت محصول شیره خرما می‌باشد تا مطابق با مقدار آنی گرانروی، اقدام به تغییر پارامترهای ورودی و شرایط فرآوری نماید تا محصولی با گرانروی و کیفیت استاندارد فراهم شود. در این تحقیق بر اساس ویژگی‌های مستخرج از تصاویر و بهره‌گیری از شبکه‌های عصبی مصنوعی روشی ابداع گردید تا گرانروی شیره خرما را در حین ریزش تعیین نماید. بر اساس اندازه‌گیری‌های به‌دست آمده توسط دستگاه لزجت‌سنج بروکفیلد مشخص شد که رفتار شیره خرما در دماها و غلظت‌های مختلف متفاوت بوده و دامنه گسترده‌ای از رفتار نیوتنی تا غیرنیوتنی را شامل می‌شود. از شبکه عصبی چند لایه با روش تعلیم پس‌انتشار خطا به‌منظور پیش‌بینی دو مقدار شاخص رفتار جریان و شاخص قوام بر اساس ویژگی‌های استخراج شده از تصویر استفاده شد. مقادیر خروجی روش پیشنهادی با مقادیر اندازه‌گیری شده توسط دستگاه لزجت‌سنج بروکفیلد در سطوح مختلف دما و غلظت شیره خرما واسنجی گردید. نتایج حاصله بیانگر همبستگی شاخص‌های رفتار و جریان به‌دست آمده از این روش با مقادیر واقعی با ضریب همبستگی تا حد 0/989 و میانگین خطای 0/0138 در داده‌های ارزیابی بود.

کلیدواژه‌ها

بلادرنگ؛ پردازش تصاویر دیجیتال؛ تشخیص الگو؛ لزجت

مراجع

1. Cubillos, F., and A. Reyes. 2003. Design of a model based on a modular neural network approach. Drying Thechnology 21 (7): 1185-1195.

2. Jung, W., C. Hurth, A. E. Becker, and F. Zenhausern. 2015. Real-time monitoring of viscosity changes triggered by chemical reactions using a high-speed imaging method. Sensing and Bio-Sensing Research 5: 8-12.

3. Kim, S., K. C. Kim, and E. Yeom. 2017. Microfluidic method for measuring viscosity using images from smartphone. Optics and Lasers in Engineering 95: 1-7.

4. Kheloufi, N., and M. Lounis. 2015. Viscosity measurement using optical tracking of free fall in Newtonian fluid. Acta Physica Polonica 128: 123-127.

5. Kono, Y., C. Kenney-Benson, Y. Shibazaki, C. Park, G. Shen, and Y. Wang. 2015. High-pressure viscosity of liquid Fe and FeS revisited by falling sphere viscometry using ultrafast X-ray imaging. Physics of the Earth and Planetary Interiors 241: 57-64.

6. Kvaal, K., J. P. Wold, U. J. Indahl, P. Baardseth, and T. Naes. 1998. Multivariate feature extraction from textural images of bread. Chemometrics and Intelligent Laboratory Systems 42: 141-158.

7. Nassiri, S. M., A. Bakhshipour, M. M. Heydari, and M. Barzegar. 2013. Estimation of apparent viscosity of non- Newtonian fluids using machine vision. The 8th National Congress on Agricultural Engineering (Biosystem) and Mechanization. Mashhad, Iran. (In Farsi).

8. Noel, M. H., B. Semin, J. P. Hulin, and H. Auradou. 2011. Viscometer using drag force measurements. Review of Scientific Instruments 82 (2): 023909.

9. Park, N. A., F. Thomas, and Jr. Irvine. 1997. Liquid density measurements using the falling needle viscometer. International Communications in Heat and Mass Transfer 24 (3): 303-312.

10. Razavi, M. A. 2006. Biophysical Properties of Agricultural Products and Food Materials. Ferdowsi University of Mashhad Publication, Mashhad. (In Farsi).

11. Razavi, S. M. A., M. B. Habibi Najafi, and Z. Alaee. 2007. The time independent rheological properties of low fat sesame paste/date syrup blends as a function of fat substitutes and temperature. Food Hydrocolloils 21: 198-202.

12. Sabati Gavgani, M. 2008. Investigation of the recycling status of valuable materials from agricultural wastes. Monthly Magazine of Agriculture and Food, 74. (In Farsi).

13. Shin, S., S. W. Lee, and D. Y. Keum. 2001. A new mass-detecting capillary viscometer. Review of Scientific Instruments 72 (7): 3127-3128.

14. Shahiri Tabarestani, H., Y. Maghsoodlou, A. Motamedzadegan, and A. Sadeghi Mahoonak. 2008. Prediction of viscosity variation of skin gelatin of rainbow trout (Onchorhynchus mykiss) at different preprocessing time by using artificial neural network. 18th National Congress on Food Science and Technology, Mashhad, Iran. (In Farsi).

15. Wang, X., F. Song, and X. Peng. 2016. A versatile fluorescent probe for imaging viscosity and hypochlorite in living cells. Dyes and Pigments 125: 89-94.

16. Wilhelm, L. R., D. A. Suter, and G. H. Brusewitz. 2004. Physical Properties of Food Materials. Chapter 2 in Food & Process Engineering Technology, 23-52. St. Joseph, Michigan: ASAE. American Society of Agricultural Engineers.