پیش بینی تغییرات برخی از ویژگی های کیفی آب توت سیاه (Morus alba Var nigra L.) طی مراحل مختلف رسیدگی بر اساس آنالیز فرکتال و بینایی ماشین

در این پژوهش به منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوه ای و Ph) به ترتیب به عنوان ویژگی های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به منظور توسعه مدل پیشگو و طبقه بندی داده ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ S و Y که به ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال می باشند، به عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 97/08 طبقه بندی نمود . همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 0/141، ضریب همبستگی 0/99 مواد ایجادکننده رنگ قهوه ای را با RMSE=0/0016، ضریب همبستگی 0/97، فنول را با RMSE=1590/879 ضریب همبستگی 0/8057، TSS را با RMSE=0/004، ضریب همبستگی 0/907، اسیدیته را با RMSE=3/50، ضریب همبستگی 0/986، ویتامین ث را با RMSE=0/285، ضریب همبستگی 0/878 و PH را با RMSE=0/00017 و ضریب همبستگی 0/99 پیش بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه بند k-NN با آنالیز فرکتال می تواند به عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.

Keywords:

شبکه عصبی مصنوعی , طبقه بندکننده نزدیکترین همسایگی , بعد فرکتال , پارامترهای بیوشیمیایی