سودابه فتاحی - گروه مهندسی مکانیک بیوسیستم، دانشگاه لرستان، خرم آباد
امین طاهری گراوند - گروه مهندسی مکانیک بیوسیستم دانشگاه لرستان
فیض اله شهبازی - دانشگاه لرستان

در پژوهش حاضر روش­های نوین نظیر پردازش تصویر و هوش مصنوعی برای ارزیابی سریع، غیر مخرب و آنلاین تازگی گوشت مرغ بکار گرفته شده است. پس از تهیه تصاویر گوشت مرغ و عملیات پیش پردازش، تصاویر به کانال­های رنگی مختلف منتقل و ویژگی های آماری بافت تصاویر استخراج گردید. عملیات انتخاب ویژگی با ترکیب دو روش الگوریتم ازدحام ذرات و طبقه­بند شبکه های عصبی مصنوعی به منظور کاهش حجم محاسبات و ارتقای شاخص­های طبقه­بندی انجام شد. با توجه به تعداد ویژگی های منتخب، تعداد نرون­های موجود در لایه ورودی ۲۲ عدد به دست آمد و تعداد نرون­های موجود در لایه خروجی براساس طبقه بندی تصاویر به صورت ۵ کلاس؛ روز اول، روز دوم،...و روز پنجم، ۵ عدد تعیین شد. در نهایت ساختار ۵-۸-۲۲ به عنوان ساختار بهینه طبقه­بند مورد نظر حاصل شد. به منظور ارزیابی عملکرد طبقه­بند جهت تخمین تازگی گوشت مرغ، شاخص های آماری نظیر دقت، صحت، حساسیت، اختصاصی بودن و سطح زیر منحنی محاسبه شدند که مقادیر این شاخص­ها برای طبقه­بندی بر اساس ویژگی­های منتخب به ترتیب برابر ۹۲، ۰۲/۸۰، ۶۸/۸۰، ۸۹/۹۴ و۸۳/۸۷ درصد می­باشند. نتایج حاصل از این مطالعه نشان می­دهد که سامانه پیشنهادی توانایی تشخیص میزان تازگی گوشت مرغ با دقت مناسب را دارد.

گوشت مرغ, تشخیص تازگی, پردازش تصویر, شبکه های عصبی مصنوعی (ANNs), الگوریتم ازدحام ذرات (PSO)