توسعه مدل پیشگو به‌منظور تعیین سفتی میوه "به" به کمک برنامه‌نویسی ژنتیک و شبکه عصبی در خلال انبارمانی

نشریه پژوهشهای علوم و صنایع غذایی ایران

مقاله 11، دوره 16، شماره 5 - شماره پیاپی 65، آذر و دی 1399، صفحه 655-667  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v16i5.82809

نویسندگان

شیما نصیری¹؛ سامان آبدانان مهدی زاده ²؛ مختار حیدری¹

¹دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

²دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

چکیده

استحکام محصولات یکی از عوامل مهم و تاثیرگذار در میزان بازارپسندی و همچنین تعیین کیفیت میوه‌ها به‌خصوص "به" می­باشد. لذا در پژوهش حاضر پس از تعیین مجموعه‌ای از تغییرات فیزیکی و شیمیایی میوه، پاسخ صوتی آن طی مدت زمان 4 ماه (هر 15 روز یک بار) مورد بررسی قرار گرفت. به‌منظور تعیین سفتی میوه به‌صورت غیرمخرب چهار ویژگی (پیک آکوستیک، حداکثر فشار آکوستیک، میانگین فشار آکوستیک و فرکانس طبیعی) استخراج و با استفاده از برنامه‌نویسی ژنتیک و شبکه عصبی مدل‌سازی انجام و با مدل‌های موجود (FI و SIQ-FT) مقایسه گردید. در این مطالعه نشان داده شد که مدل‌سازی به روش برنامه‌نویسی ژنتیک و شبکه عصبی با ضریب همبستگی به‌ترتیب 9567/0 و 933/0 دارای عملکردی مطلوب‌تری در پیش‌بینی مقدار سفتی محصول "به" نسبت به مدل‌های موجود FI و SIQ-FT با ضریب همبستگی به‌ترتیب 601/0 و 754/0 دارند.

کلیدواژه‌ها

برنامه نویسی ژنتیک؛ شبکه عصبی؛ به؛ انبارمانی؛ سفتی

مراجع

اکبری بیشه، ح.، حسینی، آ.، کریمی، ن. (1393). تاثیر پرمنگنات پتاسیم و گرمادهی بر کیفیت و عمر انبارمانی میوه رقم به اصفهان. اولین همایش ملی فناوری‌های نوین.

امرایی، س.؛ آبدانان مهدی زاده، س. و سالاری. س. (1395) سامانه برآورد وزن جوجه‌های گوشتی به صورت جداگانه با استفاده از پردازش تصویر و آنالیز رگرسیون چندگانه، مهندسی بیوسیستم ایران، دوره 47، شماره 4، ص 615-623.

بیاتی، م. ر.، رجبی‌پور، ع.، مبلی، ح.، ایوانی، ا. و بدیعی، ف. (1395). ارزیابی انبارمانی سیب گلاب با روش‌های صوتی و نفوذسنجی. نشریه ماشین-های کشاورزی. جلد 6، شماره 1، ص 188-200.

بی‌نام، آمارنامه کشاورزی کل کشور 1395. دفتر آمار و فناوری اطلاعات، معاونت برنامه‌ریزی و اقتصادی وزارت جهاد کشاورزی، نشریه شماره 2008668.

جهانگیری صالح، حسن بیگی، ابونجمی و لطفی. (2016). پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی. علوم و صنایع غذایی ایران، 14(63), 276-265.‎

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.

سلطانی کاظمی، م. آبدانان مهدی‌زاده، س. حیدری، م. و فارغ، س. م. (a1396). پیش‏بینی تغییرات برخی از ویژگی‌های کیفی آب توت سیاه(Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین. نشریه پژوهش‌های علوم صنایع غذایی ایران، 5 (13)، 730-743.

سلطانی کاظمی، م.، آبدانان مهدی‌زاده، س.، حیدری، م.، و فارغ، س. م. (b1396). استخراج موثرترین طول موج‏های طیف آب‏میوه توت سیاه (Morus alba Var nigra L.) با استفاده از مدل‏ های مختلف رگرسیون کمترین مربعات جزئی (PLSR). مجله علوم و صنایع غذایی ایران، 14(69)، 229-241.

هادیان دلجو، م. و ساری خانی، ح. (1391). ارزیابی اثر سالیسیلیک اسید بر حفظ کیفیت پس از برداشت میوه سیب رقم "گلاب کهنز" به زراعی کشاورزی. 14، 2، 1391، 71-82.

Abbaszadeh. R., Rajabipour. A., Mahjoob. M., Delshad M., Ahmadi. H. (2013). Evaluation of watermelon texture using their vibration responses. Sciverse ScienceDirect 115: 102-105.

Abdolahzare, Z., Abdanan Mehdizadeh, S. (2016). Nonlinear Mathematical Modeling of Seed Spacing Uniformity of a Pneumatic Planter using Genetic Programming and Image processing, Neural Computing and its application, 27(6), 1-13.

Chen, H., De Baerdemaeker, J., Vervaeke, F., (1992). Acoustic impulse response of apples for monitoring texture changes after harvest, Proceedings of the International Conference on Agricultural Engineering, October 1992, Beijing, China.

Costa. F., Cappellin. L., Longhi. S., Guerra. W., Magnago. P., Porro. D., Soukoulis. Ch., Salvi. S., Velasco. R., Biasioli. F., Gasperi. F. (2011). Assessment of apple (Malusa × domestica Borkh.) fruit texture by a combined acoustic-mechanical profiling strategy. Postharvest Biology and Technology 61: 21-28.

De Ketelaere, B., et al. (2006). "Postharvest firmness changes as measured by acoustic and low-mass impact devices: a comparison of techniques." Postharvest Biology and Technology. 41.3 275-284.

Gomez, A.H., Wang, J., Pereira, A.G., (2005). Impulse response of pear fruit and its relation to Magness-Taylor firmness during storage. Postharvest Biology and Technology, 35(2), 209-215.

Javadikia1, H., Sabzi, S., I. Arribas, J., (2018). An automatic and non-intrusive hybrid computer vision system for the estimation of peel thickness in Thomson orange. Spanish Journal of Agricultural Research 16 (4), e0204, 15 pages. eISSN: 2171-9292.

Laura Corollaro. M., Aprea. E., Enderizzi. I., Betta. E., Luisa Dematte. M., Charles. M., Bergamaschi. M., Costa. F., Biasioli. F., Corelli Grappadelli. L., Gasperi. F. (2014). A combined sensory-instrumental tool for apple quality evaluation. Postharvest Biology and Technology 96:135-144.

Mao. J., Yu. Y., Rao. X., Wang. J. (2016). Firmness prediction and modeling by optimizing acoustic device for watermelons. Journal of Food Engineering 168 : 1-6.

Muttil, N., Lee, J.H., (2005). Genetic programming for analysis and real-time prediction of coastal algal blooms. Ecol. Model. 189 (3), 363–376.

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

Naganur HG, Sannakki SS, Rajpurohit VS, Arunkumar R, (2012). Fruits sorting and grading using fuzzy logic. Int JAdv Res Comput Eng Technol 1 (6): 117-122.

Orenes‐Piñero, E., Garcia‐Carmona, F., Sanchez‐Ferrer, A., (2006). Latent polyphenol oxidase from quince fruit pulp (Cydonia oblonga): purification, activation and some properties. Journal of the Science of Food and Agriculture, 86(13), pp.2172-2178.

Santosa W. D., Kholidi F. (2010). The Use of Clay as Potassium Permanganate Carrier to Delay the Ripening of Raja Bulu Banana. Journal. Horticulture. Indonesia , 1(2):89-96.

Schotte, S., De Belie, N., De Baerdemaeker, J., (1999). Acoustic impulse-response technique for evaluation and modelling of firmness of tomato fruit. Postharvest Biology and Technology 17 ,105–115.

Shmulevich, I., N. Galili, M. S. Howarth. (2003). Nondestructive dynamic testing of apples for firmness evaluation. Postharvest Biology and Technology 29: 2287-299.

Singh, Krishna K., B. Sreenivasula Reddy. (2006) "Post-harvest physico-mechanical properties of orange peel and fruit." Journal of food engineering. 73.2 112-120.

Tamure, C., Teryaki, O, (2012), Irradiation alone or combined with other alternative treatment to control postharvest diseases. African Journal of Agricultural Research, 8: 421-434.

Thendral.R, Suhasini.A, (2017). Automated skin defect identification system for orange fruit grading based on genetic algorithm. Current Sci 112 (8): 1704-1711.

Xiaobo, Z., Jiewen, Z., Yanxiao, L., (2007). Apple color grading based on organization feature parameters. Pattern Recognit. Lett. 28 (15), 2046–2053.

Zhao, J.W., Zou, X.B., Pan, Y.F., Liu, S.P., (2004). Research on method of apples odorant recognition based on GA neural network. J. Jiangsu Univ. Sci. Technol. 25 (1), 1–4.