پیش‌بینی پذیرش کلی میوه موز با استفاده از پردازش تصاویر دیجیتالی و مدل رگرسیون فرآیند گاوسی در خلال انبارمانی

نشریه پژوهشهای علوم و صنایع غذایی ایران

مقاله 1، دوره 16، شماره 2 - شماره پیاپی 62، خرداد و تیر 1399، صفحه 171-191  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v16i2.79904

نویسندگان

شیما نصیری¹؛ سامان آبدانان مهدی زاده ¹؛ مریم نداف زاده²

¹گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ایران.

²گروه مکانیک بیوسیستم، دانشگاه تربیت مدرس تهران.

چکیده

توسعه نقاط قهوه‌ای رنگ تأثیر قابل توجهی بر بافت، رنگ و طعم میوه موز دارد به‌طوری که ظهور این لکه‌ها کیفیت میوه را کاهش داده و بازارپسندی آن را تحت تأثیر قرار می‌دهد. در این پژوهش تغییرات مجموعه‌ای از پارامترهای رنگی (قرمز (R)، سبز (G)، آبی (B)، عامل روشنایی (L)، تغییرات رنگ از سبز به قرمز (a)، تغییرات رنگ از آبی به زرد (b)، فام رنگ (h)، اشباع (s)، مقدار روشنایی (v)، کروما (C)، زاویه شیب نمودار دستگاه مختصات دوبعدی a وb در فضای رنگی Lab (H))، ابعادی (قطر، شعاع انحنا، طول بزرگ و طول کوچک) و شیمیایی (کل مواد جامد محلول (TSS)، pH و اسیدیته کل قابل تیتراسیون) 5 گروه میوه موز (متفاوت از لحاظ شکل ظاهری) در روزهای صفر، 2، 4و 6 (بعد از انبارمانی) مورد بررسی قرار گرفت. در این مطالعه نشان داده شد که با به‌کارگیری پارامترهای غیرمخرب در توسعه مدل رگرسیون فرآیند گاوسی (GPR)، کیفیت میوه موز و همچنین میزان بازارپسندی (پذیرش کلی میوه) آن در خلال انبارمانی قابل ارزیابی و پیش‎بینی (با ضریب همبستگی 91/0، MAPE (47/20)، RMSE (43/0)، SRE (71/0) و RAV (20/0)) است؛ بدین ترتیب با استفاده از روش پیشنهاد شده در این تحقیق می­توان مطابق با تقاضای مصرف کننده، محصول مورد نیاز را به بازار عرضه نمود و از این طریق هزینه‌های اقتصادی را به‌طور چشمگیری کاهش داد.

کلیدواژه‌ها

انبارمانی؛ پذیرش کلی میوه؛ پردازش تصاویر دیجیتالی؛ رگرسیون فرآیند گاوسی؛ موز

مراجع

سلطانی کاظمی، م.، آبدانان مهدی‌زاده، س. ، نداف‌زاده، م. (1396). برآورد میزان دو آنزیم‏ PPO و POD موز با استفاده از پردازش تصاویر دیجیتالی و آنالیز رگرسیونی چندگانه در طول دوره انبارمانی. فناوری‌های نوین غذایی، 5 (4)، 597-612.

نداف زاده، م.، و آبدانان مهدی‌زاده، س. (1396). تعیین مناسب ترین فضای رنگی به منظور تعیین هوشمند تنش آبی درگیاهان گلخانه‌ای (مطالعه موردی: حُسنِ‌یوسف). مهندسی بیوسیستم ایران، 48 (4)، 418-407.

نعمتی‌نیا، ا.، آبدانان مهدی‌زاده، س.، و ناصحی، ب. (1396). اندازه گیری پارامترهای رنگ در اسپاگتی با استفاده از سیستم بینایی ماشین. مجله علوم و صنایع غذایی ایران، 14 (73)، 81-71.

Cho, J.S., Lee, H.J., Park, J.H., Sung, J.H., Choi, J.Y., Moon, K.D., 2016. Image analysis to evaluate the browning degree of banana (Musa spp.) peel. Food Chem. 194, 1028–1033.

CK Narayana, MM Mustaffa. (2006). Influence of maturity on shelf life and quality changes in banana during storage under ambient condition. Indian Journal.

D. Surya Prabha , J. Satheesh Kumar(2015) Department of Computer Applications, School of Computer Science and Engineering, Bharathiar University, Coimbatore 641 046, Tamil Nadu, India

Garcia-Mateos, G., Hernandez-Hernandez, J. L., Escarabajal-Henarejos, D., Jaen-Terrones, S. & Molina-Martinez, J. M.)2015(. Study and comparison of color models for automatic image analysis in irrigation management applications. Agricultural Water Management. 151, 158-66.

Gonzalez, R.C., Woods, R.E., 2009. Digital Image Processing using MATLAB, 3th ed., Pearson Education India, pp. 1-954.

Gonzalez, R.C., Woods, R.E., Eddins, S.L., 2004. Digital Image Processing Using MATLAB. Pearson Education, India.

Goudarzi, M., Madadlou, A., Mousavi, M., Emam-Djomeh, Z. (2014). Formulation of apple juice beverages containing whey protein isolate or whey protein hydrolysate based on sensory and physicochemical analysis. Society of dairy technology., 67, 1-9.

He, H., & Siu, W. C. (2011, June). Single image super-resolution using Gaussian process regression. In Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on (pp. 449-456). IEEE.

Jaiswal, P., Jha, S.N., Kaur, P.P., Bhardwaj, R., Singh, A.K. and Wadhawan, V., 2014. Prediction of textural attributes using color values of banana (Musa sapientum) during ripening. Journal of food science and technology, 51(6), pp.1179-1184.

Mendoza F, Aguilera JM (2004) Application of image analysis for classification of ripening bananas. J Food Sci 69:E471–E477

Nadafzadeh, M., Mehdizadeh, S. A., & Soltanikazemi, M. (2018). Development of computer vision system to predict peroxidase and polyphenol oxidase enzymes to evaluate the process of banana peel browning using genetic programming modeling. Scientia Horticulturae, 231, 201-209.

P Rajkumar, N Wang, G Elmasry, GSV Raghavan, Y Gariepy. (2012). Studies on banana fruit quality and maturity stages using hyperspectral imaging. Journal of food engineering 108 (1), 194-200.

Pilar Cano, M Antonia Martin, Carmen Fuster. (1990). Effects of some thermal treatments on polyphenoloxidase and peroxidase activities of banana. Journal of the science of food and agriculture 51 (2), 223-231.

Quevedo R, Mendoza F, Aguilera JM, Chanona J, Gutierrez-Lopez G (2008) Determination of senescent spotting in banana (Musa cavendish) using fractal texture fourier image. J Food Eng 84:509–515.

Quevedo, R., Diaz, O., Ronceros, B., Pedreschi, F., Aguilera, J.M., 2009. Description of the kinetic enzymatic browning in banana (Musa cavendish) slices using non-uniform color information from digital images. Food Res. Int. 42 (9), 1309–1314.

Riyadi S, Ashrani A, Mohd R, Mustafa M, Hussain A (2007) Shape characteristics analysis for papaya size classification. In: Proceedings of the 5th Student Conference on Research and Development (SCOReD’07), Selangor, Malaysia. IEEE. pp. 371–375.

Rodriguez-Pulido FJ, Gomez-Robledo L, Melgosa M, Gordillo B, Gonzalez-Miret ML, Heredia FJ (2012) Ripeness estimation of grape berries and seeds by image analysis. Comp Elect Agric 82: 128–133.

Roseleena J, Nursuriati J, Ahmed J, Low CY (2011) Assessment of palm oil fresh fruit bunches using photogrammetric grading system. Intern Food Res J 18(3):999–1005.

Sanaeifar A., Bakhshipour A. de la Guardia M. (2016). Prediction of banana quality indices from color features using support vector regression. Talanta, 148, pp.54-61.

Singh HP (2010) Dynamics and Co-kinetics of banana research and Development in India. In: Mustaffa MM (ed) Proceedings of the global conference on meeting the challenges in banana and plantain for emerging biotic and abiotic stress, Trichy, Tamil Nadu, India. ICAR, New Delhi, pp 1–14.

Sochi, T (2016). Tensor Calculus Made Simple. Create Space Independent Publishing Platform. p. 170.

Yoruk, R., Yoruk, S., Balaban, M.O., Marshall, M.R., 2004. Machine vision analysis of antibrowning potency for oxalic acid: a comparative investigation on banana and apple. J. Food Sci. 69 (6), 281–289.

Zomo, S. A., Ismail, S. M., Shah Jahan, M., Kabir, K. and Kabir, M. H., 2014. Chemical Properties and Shelf Life of Banana (Musa sapientum L.) as Influenced by Different Postharvest Treatments. The Agriculturists 12(2): 6-17.

Zulkifli N, Hashima N, Abdan K, Hanafi M. (2019). Application of laser-induced backscattering imaging for predicting and classifying ripening stages of “Berangan” bananas. Computers and Electronics in Agriculture. 160: 100–107.