شناسایی و تخمین میزان گرانولاسیون در پرتقال رقم والنسیا با استفاده از طیف سنجی مادون قرمز نزدیک و ماشین بردار پشتیبان

پدیده فیزیولوژیکی گرانوله شدن مرکبات یکی از مسائل کیفی در بازارهای مصرف است که به صورت چشمی قابل تشخیص نیست. یکی از روش های کاربردی جهت بررسی غیرمخرب بافت داخلی محصولات کشاورزی، روش طیف سنجی مرئی و مادون قرمز نزدیک (Vis-NIR) می باشد. در این مقاله ابتدا سیگنال های مادون قرمز نزدیک در طول موج ۱۱۰۰-۲۰۰ نانومتر برای هر نمونه به صورت تماسی ثبت شد. میزان بازتاب در حالت برهم کنش محاسبه و بعد از نرمال سازی سیگنال، از روش میانگین گیری متحرک و ساویتسکی-گولای برای هموارسازی سیگنال استفاده شد. نهایتا از هر طیف، ۷ کمیت آماری استخراج و انتخاب شدند. برای نشان دادن شدت و میزان گرانولاسیون در بافت داخلی پرتقالها پنج سطح تعریف شد که شامل سطوح A، B، C،D و E بودند. ابتدا میزان گرانوله شدن بر اساس میزان خشکی و شکل ظاهری ناحیه خشک شده به روش مخرب تعریف شد و سپس از ماشین بردار پشتیبان (SVM) برای تخمین محتوای رطوبتی و تشخیص سطوح گرانوله شدن پرتقال ها استفاده گردید. نتایج نشان داد که با افزایش و توسعه شدت گرانولاسیون، کیسه های آب میوه سفت تر، خشک تر و بزرگ تر شده و محتوای آبی آن ها کاهش یافت که بیشترین محتوای رطوبتی پرتقال ۹۷/۹۰% در حالت بدون ضایعه گرانوله و کمترین آن ۳۶/۸۳% در حالت گرانوله شدن بیش از ۷۵% بافت آن مشاهده شد. بررسی ها نشان داد که با توسعه گرانولاسیون در پرتقال، میزان جذب در ناحیه ۹۵۰-۴۰۰ نانومتر به طور محسوسی کاهش و اختلاف شدت جذب در ناحیه ۸۵۰-۵۷۰ نانومتر برای کلاس های مختلف گرانوله شدن بیشینه بود. نتایج تشخیص سطوح گرانولاسیون نشان داد که دقت کلی ماشین بردار پشتیبان به ازای کرنل های خطی، چندجمله ای و پایه شعاعی گوسی به ترتیب برابر با ۵۰/۹۲%، ۵۰/۹۶% و ۰۰/۹۵% بود که به ازای SVM با کرنل چندجمله ای، حساسیت این طبقه بند در تشخیص سطوح مختلف گرانوله شدن برای شدت A، B، C، D و E به ترتیب برابر با ۰/۹۸%، ۴۰/۹۱%، ۳۰/۹۷%، ۸۰/۹۶% و ۷۰/۹۵% بود.

Keywords:

پرتقال , گرانولاسیون , بررسی غیرمخرب , طبقه بندی , طیف سنجی , هوش مصنوعی