شناسایی ژنوتیپ های سیب زمینی پس از دوره انبارمانی با استفاده از ترکیب روش های پردازش تصویر و شبکه عصبی مصنوعی

برای ایجاد اطمینان از عرضه پیوسته سیب­ زمینی به مصرف­کنندگان و صنایع فرآوری این محصول، ذخیره­ سازی آن ضروری است. هنگام ذخیره­ سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب­ زمینی باعث می­ شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش­ های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکه عصبی مصنوعی برای کلاسه­ بندی و مدل­سازی دو نمونه سیب­ زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین ۲۹ پارامتر اندازه ­گیری شده مربوط به ویژگی ­های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی ­های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی­ های رنگی) و ۲ ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی­ های بافت) به عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم ­های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا ۰/۰۱۲=RMSE و بیشترین ضریب تبیین ۹۵/۰۱ =R۲ درصد مدلی بهینه در طبقه ­بندی (کلاسه­ بندی) دو نمونه سیب ­زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ­ترتیب ۸۹/۲ و ۸۷/۶ درصد و دقت شناسایی ژنوتیپ کلون ۸-۳۹۷۰۰۹ به­ترتیب ۹۲/۴ و ۹۰/۳ درصد به­ دست آمد.

شناسایی ژنوتیپ های سیب زمینی پس از دوره انبارمانی با استفاده از ترکیب روش های پردازش تصویر و شبکه عصبی مصنوعی Keywords:

تغییرات فیزیولوژیکی , طبقه بندی , کیفیت , ماشین بینایی