تعداد نشریات | 49 |
تعداد شمارهها | 1,846 |
تعداد مقالات | 19,537 |
تعداد مشاهده مقاله | 9,334,277 |
تعداد دریافت فایل اصل مقاله | 6,568,536 |
پیش بینی برخی ویژگیهای کیفی میوه انبه رقم کلک سرخ با استفاده از پردازش تصاویر رنگی و شبکههای عصبی مصنوعی | ||
نشریه پژوهشهای علوم و صنایع غذایی ایران | ||
مقاله 11، دوره 16، شماره 1 - شماره پیاپی 61، فروردین و اردیبهشت 1399، صفحه 145-156 اصل مقاله (877.07 K) | ||
نوع مقاله: کوتاه پژوهشی | ||
شناسه دیجیتال (DOI): 10.22067/ifstrj.v16i2.77537 | ||
نویسندگان | ||
امید دوستی ایرانی1؛ عباس روحانی1؛ محمودرضا گلزاریان* 1؛ منصوره شمیلی2؛ پیمان آذر کیش3 | ||
1گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد. | ||
2گروه علوم باغبانی و مهندسی فضای سبز، دانشکده کشاورزی، دانشگاه هرمزگان. | ||
3گروه علوم باغبانی و مهندسی فضای سبز، دانشکده کشاورزی، دانشگاه فردوسی مشهد. | ||
چکیده | ||
درجهبندی میوه از نظر ویژگیهای کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، بهصورت غیرمخرب در امر بازارپسندی آن تأثیر بهسزایی دارد. در این پژوهش با استفاده از ترکیب تکنیکهای پردازش تصویر و هوش مصنوعی، پیشبینی ویژگیهای کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونههای مورد بررسی در دو تیمار دمایی 5، 15 و تیمار شاهد (24 درجه سانتیگراد) به مدت 48 ساعت قرار گرفتند. پس از آن به مدت 14 روز بهصورت یک روز در میان تصویربرداری از نمونهها انجام و ویژگیهای رنگی از نواحی مورد نظر در محیط رنگی L*a*b استخراج شدند. پس از هر مرحله تصویربرداری میزان اسیدیته، قند و سفتی بافت اندازهگیری شد. بهمنظور بررسی ارتباط بین خصوصیات فیزیکوشیمیایی و مشخصههای تصویری بین نمونهها، شبکه عصبی چندلایه پرسپترون ایجاد و آموزش داده شد. از این شبکه تربیت شده بهمنظور پیش بینی ویژگیهای فیزیکی از روی مشخصههای رنگی استفاده شد. متغیرهای ورودی به شبکه شامل تیمار دمایی در سه سطح (شاهد، 15 و 5 درجه سانتیگراد)، کانالهای رنگی (L, a, b) و میزان انحراف معیار کانالهای رنگی (stdL, stda, stdb) است. متغیرهای خروجی نیز شامل قند، اسیدیته و سفتی بافت است. نتایج حاصل از پیشبینی مدل شبکه عصبی نشان داد که دقت مدل در مرحله آزمون برای پیشبینی فاکتورهای اسیدیته، قند و سفتی بافت بهترتیب برابر با 45، 85، 88 درصد است؛ بنابراین هرچند دقت مدل شبکه عصبی برای پیشبینی اسیدیته از روی فاکتورهای رنگی نمونههای انبه پایین بود، اما شبکه عصبی مبتنی بر ماشین بینایی قادر به پیشبینی فاکتورهای سفتی و قند با دقت بالا است. | ||
کلیدواژهها | ||
انبه؛ ماشین بینایی؛ شبکه عصبی؛ ویژگی های کیفی | ||
مراجع | ||
آذرکیش، پ. و شمیلی، م. 1394، تأثیر پوترسین و آب سرد بر ویژگیهای کیفی و انبارمانی میوه انبه (Mangifera indica L)، فصلنامه علوم و صنایع غذایی، 47(12)، 74-65.
پوردربانی، ر. قاسم زاده، ح. آقا گلزاده، ع. و بهفر، ح. 1388، امکان سنجی درجهبندی کیفی سیب با استفاده از پردازش تصویر، مجله پژوهشهای صنایع غذایی، 19 (1)، 85- 75.
خدابخشیان کارگر، ر. 1394، روشهای کیفیتسنجی غیرمخرب محصولات کشاورزی از اصول تا اجرا، آموزش و ترویج کشاورزی، 272.
خدابخشیان کارگر، ر. عمادی، ب. خجستهپور، م. گلزاریان، م.ر. و سازگارنیا، الف. 1394، کیفیتسنجی سریع دانه انار با استفاده از طیفسنجی مرئی/ مادون قرمز نزدیک، فناوریهای نوین غذایی، 2(4)، 114-103.
دوستیایرانی، الف. گلزاریان، م.ر. آقخانی، م.ح. و صدرنیا، ح. 1394، بررسی تغییرات رنگی و دمایی بافت لهیده شده سیب در طول زمان با استفاده ازپردازش تصاویر مرئی و نقشههای گرمایی. پژوهشهای علوم و صنایع غذایی ایران، 11(5)، 693-677.
سلمانیزاده، ف. نصیری، س.م. راحمی، م. و جعفری، ع.ع. 1392، امکانسنجی استفاده از جذب اشعه ایکس به عنوان یک روش غیرمخرب برای تعیین برخی از شاخصهای کیفی میوه انار، علوم باغبانی )علوم و صنایع کشاورزی)، 27(3)، 341-335.
شمیلی، م. گلزاریان، م.ر. آذرکیش، پ. و دوستیایرانی، الف. 1396، استفاده از پردازش تصویر در برآورد خسارت وارده از سرما بر میوه انبه، نخستین کنفرانس بین المللی و دهمین کنگره ملی علوم باغبانی ایران، دانشگاه تربیت مدرس، 13-16 شهریورماه 1396.
عباسی، م. حیدری، م. و دانشور، م.ح. 1391، ارزیابی اولیه خصوصیات میوه درختان گزینش شده انبه (Mangifera indica L.) در میناب، تولیدات گیاهی، 35(4)، 129-117.
کلانتری،س. میرزاعلیان دستجردی، ع.م. بابالار، م. زمانی، ذ.الف. 1392، اثر تیمارهای پس از برداشت بر عمر قفسهای و انباری میوه انبه برداشت شده در مراحل مختلف رسیدن، علوم باغبانی ایران، 44(1)، 59-43.
گلزاریان، م.ر. شمیلی، م. دوستیایرانی، الف. و آذرکیش، پ. 1395، تشخیص آسیبهای سطحی ناشی از صدمات مکانیکی میوه انبه رقم کلک سرخ با استفاده از تکنیک پردازش تصاویر رنگی، پژوهشهای علوم و صنایع غذایی ایران، 12(5)، 662-652.
گلزاریان، م.ر. صادقی، ف. قانعی، ن. و کاظمی، ف. 1392، ارائه روشی کمی و کیفی در ارزیابی عملکرد فاکتورهای رنگی برای جداسازی گیاهان از پسزمینه بهمنظور خودکار کردن شناسایی تصویری گیاهان، هشتمین کنگره ملی مهندسی ماشینهای کشاورزی (بیوسیستم) و مکانیزاسیون، 9 الی 11 بهمن 1392. دانشگاه فردوسی مشهد.
محمدپور، الف. و سماوی، س. 1393، نکات فنی در برداشت، بستهبندی و نگهداری میوه انبه، مؤسسه تحقیقات فنی و مهندسی کشاورزی. 26-1.
میرحسینی، ع. صادقی، ح. و مرادی، ح. 1397، پیشبینی برخی ویژگیهای کیفی میوۀ انار با استفاده از روش غیرمخرب پردازش تصویر، علوم باغبانی ایران، 49(2)، 451-443.
نیکبخت، ع.م. توکلیهشجین، ت. ملکفر، ر. و قبادیان، ب. 1389، کاربرد طیفسنجی رامان در بررسی غیرمخرب پارامترهای کیفی گوجه فرنگی، علوم و صنایع غذایی، 7(4)، 33-25.
Afshari-Jouybari, H. & Farahnaky, A. 2011, Evaluation of Photoshop software potential for food colourimetry, Journal of Food Engineering, 106, 170-175.
Arzani K. & Koushesh M. 2005, Enhancement of Sultana grape (Vitis vinifera L.) maturity by preveraison ethanol and methanol spray, Indian Journal of Agricultural Science, 75(10), 670-672.
Carlini, P. Massantini, R. & Mencarelli, F. 2000, Vis-NIR measurement of soluble solids in cherry and Apricot by PLS regression and wavelength selection, Journal of Agricultural and Food Chemistry, 48, 236-242.
Clark, C.J. McGlone, V.A. Requejo, C. White, A. & Woolf, A.B. 2003, Dry matter determination in ‘Hass’ avocado by NIR spectroscopy, Postharvest Biology and Technology, 29, 300-307.
Doosti-Irani, O. Golzarian, M.R. Aghkhani, M.H. Sadrnia, H. & Doosti-Irani, M. 2016, Development of multiple regression model to estimate the apple’s bruise depth using thermal maps, Postharvest Biology and Technology, 116, 75-79.
Fan, G. Zha, J. Du, R. & Gao, L. 2009, Determination of soluble solids and firmness of apples by Vis/NIR transmittance, Journal of Food Engineering, 93, 416-420.
Genard, M. Bertin, N. Borel, C. Bussières, P. Gautier, H. Habib, R. Lechaudel, M. Lecomte, A. Lescourret, F. Lobit, P. & Quilot, B. 2008. Towards a virtual fruit focusing on quality: modelling features and potential uses. Journal of Experimental Botany, 58(5): 917-928.
Hertog, M. Nicholson, S.E. & Jeffery, P.B. 2004, the effect of modified atmospheres on the rate of firmness change of ‘Hayward’kiwifruit, Journal of the Postharvest Biology and Technology, 31: 251-261.
Jacobi, K. MacRae, E. & Hetherington, S. 2001, Postharvest heat disinfestations treatments of mango fruit (Review). Scientia Horticulturae. 89: 171-193.
Kondo, N. Ahmad, U. Monta, M. & Murase, H. 2000, Machine vision based quality evaluation of Iyokan orange fruit using neural networks, Computers and Electronics in Agriculture, 29, 135-147.
Lechaudel, M. & Joas, J. 2007. An overview of preharvest factors influencing mango fruit growth, quality and postharvest behaviour. Brazilian Journal of Plant Physiology, 19(4): 287-298.
Leon, K. Mery, D. Pedreschi F. & Leon, J. 2006, Color measurement in L∗a∗b∗ units from RGB digital images, Food Research International, 39, 1084-1091.
Lu, R. Guyer, D. & Beaudry, R.M. 2000, Determination of firmness and sugar content of apple using NIR diffuse reflectance, Journal of Texture Studies, 31, 615-630.
Mata, C. Duarte, M.E.M. Borges, F.F. & Barbacena, I.L. 2012, An adaptive threshold level for segmentation of grayscale images using image processing to sort mangoes by weight estimation, Postharvest Technology in the Global Market, 934, 943-948.
Medlicott, A.P. Bhogal, M.O. & Reynolds, S.B. 1986. Changes in peel pigmentation during ripening of mango fruit (Mangifera indica var. Tommy Atkins). Annals of Applied Biology, 109(3): 651-656.
Minaei, S. Bagherpour, H. Abdollahian Noghabi, M. Khorasani Fardvani, M.E. & Forughimanesh, F. 2016. A Comparative Study Concerning Linear and Nonlinear Models to Determine Sugar Content in Sugar Beet by Near Infrared Spectroscopy (NIR). Journal of Food Biosciences and Technology, 6(1): 13-22.
More, T.A. Kambale, A.B. Karale, A.R. Garad, B.V. & Shirsath. H.K. 2004, Selection of seedling mango types for pickling characters, Journal of Maharashtra Agricultural Universities, 29, 348-349.
Nordey, T. Lechaudel, M. Genard, M. & Joas, J. 2014, Spatial and temporal variations in mango colour, acidity, and sweetness in relation to temperature and ethylene gradients within the fruit. Journal of plant physiology, 171(17): 1555-1563.
Pedreschi, F. Leon, J. Mery, D. & Moyano, P. 2006. Development of a computer vision system to measure the color of potato chips. Food Research International, 39(10): 1092-1098.
Rathore, H.A. Masud, T. Sammi, S. & Soomro, A.H. 2007, Effect of Storage on Physico-Chemical Composition and Sensory Properties of Mango Variety Dashehari, Pakistan Journal of Nutrition, 6(2), 143-148.
Rohani, A. Abbaspour-Fard, M.H. & Abdolahpour, S. 2011. Prediction of tractor repair and maintenance costs using Artificial Neural Network. Expert Systems with Applications, 38(7): 8999-9007.
Roussos, P.A. Sefferou, V.Denaxa, N.K. Tsantili, E. & Stathis, V. 2011, Apricot (Prunus arm eniaca L.) fruit quality attributes and phytochemicals under different crop load, Scientia Horticulturae, 129, 472-478.
Shao, Y.H. He, Y. Bao, Y.D. & Mao, J.Y. 2009, Near-infrared spectroscopy for classification of oranges and prediction of the sugar content, International Journal of Food Properties, 12, 644-658
Shao, Y.H. He, Y. Gomez, A.H. Pereir, A.G. Qiu, Z. & Zhag, Y. 2007. Visible/near infrared spectrometric technique for nondestructive assessment of tomato ‘Heatwave’ (Lycopersicum esculentum) quality characteristics, Journal of Food Engineering, 81, 672-678.
Tarkosova, J. & Copikova, J. 2000, Determination of carbohydrate content in bananas during ripening and storage by near infrared spectroscopy. Journal of Near Infrared Spectroscopy, 8, 21–26.
Ying, Y.B. Liu, Y.D. Wang, J.P. Fu, X.P. & Li, Y.B. 2005, Fourier transforms near-infrared determination of total soluble solids and available acid in intact peaches, American Society of Agricultural Engineers, 48, 229-234. | ||
آمار تعداد مشاهده مقاله: 343 تعداد دریافت فایل اصل مقاله: 151 |