بررسی تاثیر پوشش دهی با صمغ فارسی حاوی روغن شاهدانه بر تغییرات جرم و حجم انگور با استفاده از سیستم های بینایی ماشین و یادگیری ماشین

در این پژوهش تاثیر پوشش خوراکی صمغ فارسی (۰، ۵/۱ و ۳ درصد) حاوی روغن شاهدانه (۰، ۰۷۵/۰ و ۱۵/۰ درصد) بر تغییرات جرم و حجم طی نگهداری در دمای ۴ درجه سلسیوس به مدت ۲۸ روز بررسی گردید. سیستم بینایی ماشین به همراه انواع روش های یادگیری ماشین برای استخراج تصویر انگور از تصویر و تخمین جرم و حجم بر اساس خصیصه های تصویر (طول، عرض، ارتفاع و سطح) استفاده شد. برای پیش بینی جرم و حجم حبه انگور ۴ مدل یادگیری ماشین شامل رگرسیون خطی (LR)، شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان بر پایه تابع شعاعی (RBF-SVR) و ماشین بردار پشتیبان بر پایه تابع خطی (LBF-SVR) توسعه یافت. به منظور بررسی کارایی مدل های توسعه یافته داده های تخمین جرم و حجم انگور با داده های تجربی مقایسه گردید. جرم و حجم طی نگهداری در کل تیمارها کاهش یافت. از طرفی تغییرات جرم و حجم با افزایش غلظت صمغ فارسی و روغن شاهدانه کاهش یافت. بر اساس نتایج ارزیابی مدل، عملکرد پیش بینی مدل RBF-SVR در مقایسه با مدل های LR، ANN و LBF-SVR دقیق تر بود و توانست جرم و حجم را به ترتیب با ضریب تبیین ۹۹۸/۰ و ۹۸۹/۰ تخمین بزند که نشان دهنده همبستگی خوب بین نتایج واقعی و پیش بینی است. این نتایج تائید می‎ نماید که مدل SVR ابزاری قابل قبول در تخمین جرم و حجم انگور پوشش دار شده طی نگهداری در دمای سردخانه است.

Keywords:

Coating , Image processing , Support vector machine , Artificial neural network , Prediction , پوشش دهی , پردازش تصویر , ماشین بردار پشتیبان , شبکه عصبی مصنوعی , پیش بینی