مهدی ایرانی؛ مسعود شفافی؛ حسن ایرانی
چکیده
این مقاله روش جدیدی را بر پایه مودول‌های شبکه عصبی (MNNs) و سیستم استنتاج فازی جهت مونیتور کردن و کنترل فرآیند غذایی ارائه می‌دهد. MNN پیشنهادشده متشکل از سه مودول است، هر یک از آن‌ها مشخصه‌های مختلف تصویر را جهت ورودی استفاده می‌کنند که شامل: edge detection، wavelet transform و Hough transform هستند. جهت ترکیب خروجی‌های مدول‌های شبکه عصبی در رابطه با طبقه‌بندی ...
بیشتر
این مقاله روش جدیدی را بر پایه مودول‌های شبکه عصبی (MNNs) و سیستم استنتاج فازی جهت مونیتور کردن و کنترل فرآیند غذایی ارائه می‌دهد. MNN پیشنهادشده متشکل از سه مودول است، هر یک از آن‌ها مشخصه‌های مختلف تصویر را جهت ورودی استفاده می‌کنند که شامل: edge detection، wavelet transform و Hough transform هستند. جهت ترکیب خروجی‌های مدول‌های شبکه عصبی در رابطه با طبقه‌بندی تصاویر میوه به در طی فرآیند آبگیری اسمزی از سیستم استنتاج فازی sugeno استفاده شد. جهت تست این روش، برای طبقه‌بندی، پایگاه داده از 108 تصویر میوه به (12 طبقه‌بندی یا کلاس) تشکیل شد. در آزمایشات صورت‌گرفته این روش توسعه‌یافته، طبقه‌بندی تصاویر را با دقت 6/91% تشخیص داد. در مرحله بعد، مقادیر جذب ماده جامد (SG)، میزان دفع آب (WL) و محتوای رطوبتی (MC) به‌عنوان خروجی مودول‌های شبکه عصبی در نظر گرفته شدند، در جایی‌که زمان فرآیند آبگیری اسمزی و تصویر طبقه‌بندی‌شده به‌عنوان ورودی‌های شبکه عصبی در نظر گرفته شدند. حداقل MRE% (153/18) به‌همراه توانایی پیشگویی 89% برای میزان دفع آب (WL) زمانی‌که از دو لایه مخفی و در هر لایه 6 نرون استفاده شد، به‌دست آمد. کمترین میزان MRE% (3535/35) به‌همراه توانایی پیشگویی 93% برای میزان جذب ماده جامد (SG) زمانی‌که از از دولایه مخفی به‌نحوی که در لایه اول 6 و در لایه دوم 8 نرون استفاده شد، به‌دست آمد و درنهایت برای محتوای رطوبتی (MC) حداقل MRE% (4759/7) به‌همراه توانایی پیشگویی 96% در استفاده از 6 و 5 نرون به‌ترتیب در لایه مخفی اول و دوم به‌دست آمد. نتایج نشان دادند که این روش به‌طور ستونی می‌تواند در جهت مدل‌سازی کیفی و مونیتور کردن تغیرات کیفی مواد غذایی در حین فرآیند آبگیری اسمزی مورداستفاده قرار بگیرد.
