Seyed Mehdi Nassiri - Department of Biosystems EngineeringShiraz University
Mohammad Amin Nematollahi - Department of Biosystems EngineeringShiraz University
Abdolabbas Jafari - Department of Biosystems EngineeringShiraz University
Peyman Salamrudi - Department of Biosystems EngineeringShiraz University

کاربرد ناصحیح کودهای شیمیایی در تولید محصولات کشاورزی بروز بیماری برای مصرف کنندگان را ممکن می سازد. در این مطالعه تخمین مقدار نیترات تجمع یافته در میوه گوجه فرنگی به کمک پردازش تصویر بررسی شد. این پژوهش در قالب طرح کاملا تصادفی با چهار تیمار نیتروژن در سطوح ۱۲۰۰،۸۰۰،۴۰۰ و ۱۶۰۰ کیلوگرم بر هکتار انجام شد. از هر تیمار ۵۰ نمونه به طور تصادفی برای تهیه تصاویر و ایجاد مدل تخمین انتخاب شد. نمونه ها با ضخامت یکسان برش زده شدند، عکس برداری صورت گرفت و سپس نیترات نمونه ها به روش آزمایشگاهی اندازه گیری شد. مولفه­ های رنگی R،  G و B مرتبط با سطح و محتوای داخلی نمونه ها و همچنین ویژگی های غیر­رنگی از جمله مساحت پیکسل­های سفید ورقه ها ، مساحت کل ورقه ها و نسبت مساحت پیکسل­های سفید به مساحت کل استخراج شدند. نتایج نشان داد متناسب با سطوح نیتروژن اعمال شده، مقدار نیترات نمونه­ها به ترتیب ۶/۱، ۷/۲، ۸/۲ و ۳/۳ درصد اندازه­گیری شد که این افزایش معنادار بود (P<۰.۰۵). افزون بر آن، مشخص شد محتوای رنگی ورقه ها، مساحت پیکسل­های سفید ورقه ها و نسبت مساحت پیکسل­های سفید به مساحت کل همبستگی بالایی با محتوای نیترات نمونه ها داشت. برای پیش بینی میزان نیترات، مدل رگرسیون چندگانه و شبکه عصبی چند لایه پرسپترون بکاربرده شد. روش بهترین زیر مجموعه رگرسیون برای انتخاب مناسب­ترین مدل رگرسیون بکاربرده شد. برای انتخاب بهترین مدل شبکه عصبی، معماری ها و توابع انتقال مختلف به کار برده شد و بر اساس نتایج شبکه با ساختار ۱-۱۵-۳ با کمترین مقدار ریشه میانگین مربعات خطا به عنوان بهترین مدل انتخاب شد. برای واسنجی بهترین مدل رگرسیون و شبکه عصبی از ۶۰ نمونه جدید استفاده شد. ساختار معرفی شده توانست با درصد میانگین خطای نسبی ۵/۳ درصد در مقایسه با مدل رگرسیون با مقدار ۲/۵ درصد مقدار محتوای نیترات را تخمین بزند.

IMAGE PROCESSING, NEURAL NETWORK, NITRATE, REGRESSION, TOMATO, پردازش تصویر, رگرسیون, شبکه عصبی مصنوعی, گوجه فرنگی, نیترات