شیما نصیری؛ سامان آبدانان مهدی زاده؛ مختار حیدری
چکیده
استحکام محصولات یکی از عوامل مهم و تأثیرگذار در میزان بازارپسندی و همچنین تعیین کیفیت میوه‌ها به‌خصوص "به" می‌باشد. لذا در پژوهش حاضر پس از تعیین مجموعه‌ای از تغییرات فیزیکی و شیمیایی میوه، پاسخ صوتی آن طی مدت زمان 4 ماه (هر 15 روز یک بار) موردبررسی قرار گرفت. به‌منظور تعیین سفتی میوه به‌صورت غیرمخرب چهار ویژگی (پیک آکوستیک، حداکثر ...
بیشتر
استحکام محصولات یکی از عوامل مهم و تأثیرگذار در میزان بازارپسندی و همچنین تعیین کیفیت میوه‌ها به‌خصوص "به" می‌باشد. لذا در پژوهش حاضر پس از تعیین مجموعه‌ای از تغییرات فیزیکی و شیمیایی میوه، پاسخ صوتی آن طی مدت زمان 4 ماه (هر 15 روز یک بار) موردبررسی قرار گرفت. به‌منظور تعیین سفتی میوه به‌صورت غیرمخرب چهار ویژگی (پیک آکوستیک، حداکثر فشار آکوستیک، میانگین فشار آکوستیک و فرکانس طبیعی) استخراج و با استفاده از برنامه‌نویسی ژنتیک و شبکه عصبی مدل‌سازی انجام و با مدلهای موجود (FI و SIQ-FT) مقایسه گردید. در این مطالعه نشان داده شد که مدل‌سازی بهروش برنامه‌نویسی ژنتیک و شبکه عصبی با ضریب همبستگی به‌ترتیب 9567/0 و 933/0 دارای عملکردی مطلوبتری در پیش‌بینی مقدار سفتی محصول "به" نسبت به مدلهای موجود FI و SIQ-FT با ضریب همبستگی به‌ترتیب 601/0 و 754/0 دارند.
محسن آزادبخت؛ محمد واحدی ترشیزی؛ محمدجواد محمودی
چکیده
در این مقاله به بررسی اثر نیروی بارگذاری و دوره انبارداری بر میزان محتویات درونی گلابی پرداخته شده است. در این آزمایش گلابی‌ها تحت بارگذاری شبه استاتیکی (لبه نازک-لبه پهن) و دوره‌های انبارداری مختلف (5، 10 و 15 روز) قرار گرفته است. پس از هر دوره انبارداری میزان محتوای فنول کل میوه، آنتی‌اکسیدان و ویتامین C میوه مورد بررسی قرار گرفت. در ...
بیشتر
در این مقاله به بررسی اثر نیروی بارگذاری و دوره انبارداری بر میزان محتویات درونی گلابی پرداخته شده است. در این آزمایش گلابی‌ها تحت بارگذاری شبه استاتیکی (لبه نازک-لبه پهن) و دوره‌های انبارداری مختلف (5، 10 و 15 روز) قرار گرفته است. پس از هر دوره انبارداری میزان محتوای فنول کل میوه، آنتی‌اکسیدان و ویتامین C میوه مورد بررسی قرار گرفت. در این پژوهش شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) با یک لایه پنهان و دو نوع تابع فعال‌سازی (Hyperbolic tangent - sigmoid) و تعداد 5، 10 نرون در هر لایه برای نیروی بارگذاری و دوره انبارداری جهت پیشگویی میزان میزان محتوای فنول کل میوه ، آنتی‌اکسیدان و ویتامین C انتخاب گردید. با توجه به نتایج به‌دست آمده بیشترین مقدار R2 برای بارگذاری لبه نازک و پهن در شبکه‌ای که دارای 10 نرون در لایه پنهان و تابع فعال‌سازی sigmoidبرای محتوای فنول کل (=0.9865 - =0.9539) ، انتی‌اکسیدان (=0.9649 - =0.9839) و ویتامینC ( =0. 9758) بوده است و برای ویتامین C ( =0.9865) بارگذاری لبه پهن بیشترین مقدار R2 در شبکه با 5 نرون در لایه پنهان و تابع فعال‌سازی Hyperbolic tangent بوده است. با توجه به نتایج به‌دست آمده شبکه عصبی با این دو نوع تابع فعال‌سازی توانایی مناسبی در همپوشانی و پیش‌بینی داده‌های شبیه‌سازی شده با داده‌های واقعی را داشته است .
محمد ابراهیم محمدپور میر؛ سارا نانواکناری؛ کامیار موقرنژاد
چکیده
برنج یکی از گیاهان مهم تیره غلات است و غذای اصلی اکثر مردم دنیا به‌شمار می آید. خشک کردن برنج بعد از برداشت، به جهت غیرفعال کردن عاملین فساد، امری مهم و ضروری است. در این تحقیق به‌منظور بررسی اثر توان مایکروویو بر روی سینتیک خشک شدن شلتوک، ضریب نفوذ مؤثر رطوبت، درصد برنج سالم و کیفیت برنج از یک خشک‌کن مایکروویو استفاده شده است. به‌منظور ...
بیشتر
برنج یکی از گیاهان مهم تیره غلات است و غذای اصلی اکثر مردم دنیا به‌شمار می آید. خشک کردن برنج بعد از برداشت، به جهت غیرفعال کردن عاملین فساد، امری مهم و ضروری است. در این تحقیق به‌منظور بررسی اثر توان مایکروویو بر روی سینتیک خشک شدن شلتوک، ضریب نفوذ مؤثر رطوبت، درصد برنج سالم و کیفیت برنج از یک خشک‌کن مایکروویو استفاده شده است. به‌منظور خشک کردن شلتوک از رطوبت اولیه 21 درصد تا رطوبت نهایی 11 درصد از 3 توان270، 360 و 450 وات استفاده شد. همچنین مدل‌سازی سینتیک خشک شدن شلتوک در خشک‌کن مایکروویو با استفاده از 2 شبکه عصبی MLP و RBF انجام شد. نتایج حاصل از این بررسی بدین صورت بوده که حداکثر و حداقل زمان خشک شدن به‌ترتیب در توان 270 و 450 وات و برابر با 42 و 20 دقیقه بوده است. با افزایش توان مایکروویو میزان شکستگی افزایش یافته و درصد برنج سالم کاهش مییابد. و همچنین خشک کردن برنج توسط خشک‌کن مایکروویو تاثیری بر روی کیفیت برنج نداشته است. از نتایج مدل‌سازی انجام شده می‌توان دریافت که شبکه RBF با تابع انتقال گوسی با شاخص پراکندگی و تعداد نورون بالا بهترین عملکرد را در قیاس با سایر حالات طراحی شده در شبکه RBF داشته است و شبکه MLP با الگوریتم آموزش لونبرگ مارکوارت و تابع انتقال تانژانت سیگموئید با تعداد نورون پایین قادر بوده مدل‌سازی سینتیک خشک شدن را به‌خوبی انجام دهد. به‌طور کلی شبکه عصبی MLP عملکرد بهتری نسبت به شبکه عصبی RBF داشته است و میزان خطا و ضریب همبستگی آن به‌ترتیب کمتر و بیشتر از شبکه عصبی RBF بوده است.
امید دوستی ایرانی؛ عباس روحانی؛ محمودرضا گلزاریان؛ منصوره شمیلی؛ پیمان آذر کیش
چکیده
درجه‌بندی میوه از نظر ویژگیهای کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، به‌صورت غیرمخرب در امر بازارپسندی آن تأثیر به‌سزایی دارد. در این پژوهش با استفاده از ترکیب تکنیک‌های پردازش تصویر و هوش مصنوعی، پیش‌بینی ویژگیهای کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونههای مورد بررسی در دو تیمار دمایی 5، 15 و تیمار ...
بیشتر
درجه‌بندی میوه از نظر ویژگیهای کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، به‌صورت غیرمخرب در امر بازارپسندی آن تأثیر به‌سزایی دارد. در این پژوهش با استفاده از ترکیب تکنیک‌های پردازش تصویر و هوش مصنوعی، پیش‌بینی ویژگیهای کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونههای مورد بررسی در دو تیمار دمایی 5، 15 و تیمار شاهد (24 درجه سانتی‌گراد) به مدت 48 ساعت قرار گرفتند. پس از آن به مدت 14 روز به‌صورت یک روز در میان تصویربرداری از نمونه‌ها انجام و ویژگیهای رنگی از نواحی مورد نظر در محیط رنگی L*a*b استخراج شدند. پس از هر مرحله تصویربرداری میزان اسیدیته، قند و سفتی بافت اندازه‌گیری شد. به‌منظور بررسی ارتباط بین خصوصیات فیزیکوشیمیایی و مشخصه‌های تصویری بین نمونه‌ها، شبکه عصبی چندلایه پرسپترون ایجاد و آموزش داده شد. از این شبکه تربیت شده به‌منظور پیش بینی ویژگیهای فیزیکی از روی مشخصه‌های رنگی استفاده شد. متغیرهای ورودی به شبکه شامل تیمار دمایی در سه سطح (شاهد، 15 و 5 درجه سانتی‌گراد)، کانال‌های رنگی (L, a, b) و میزان انحراف معیار کانال‌های رنگی (stdL, stda, stdb) است. متغیرهای خروجی نیز شامل قند، اسیدیته و سفتی بافت است. نتایج حاصل از پیش‌بینی مدل شبکه عصبی نشان داد که دقت مدل در مرحله آزمون برای پیش‌بینی فاکتورهای اسیدیته، قند و سفتی بافت به‌ترتیب برابر با 45، 85، 88 درصد است؛ بنابراین هرچند دقت مدل شبکه عصبی برای پیش‌بینی اسیدیته از روی فاکتورهای رنگی نمونههای انبه پایین بود، اما شبکه عصبی مبتنی بر ماشین بینایی قادر به پیش‌بینی فاکتورهای سفتی و قند با دقت بالا است.
محمد واحدی ترشیزی؛ محسن آزادبخت
چکیده
در این تحقیق به بررسی اثر نوع بارگذاری‌های دینامیکی و استاتیکی و دوره انبارداری بر میزان سفتی گلابی پرداخته شد. برای این کار ابتدا گلابی‌ها به سه گروه 27 تایی برای سه بارگذاری استاتیکی لبه نازک، استاتیکی لبه پهن و دینامیکی دسته‌بندی شده و بارگذاری شدند. هر یک از گروه‌های بارگذاری شده در سه دوره 5، 10 و 15 روزه انبار دار شده و بعد از هر ...
بیشتر
در این تحقیق به بررسی اثر نوع بارگذاری‌های دینامیکی و استاتیکی و دوره انبارداری بر میزان سفتی گلابی پرداخته شد. برای این کار ابتدا گلابی‌ها به سه گروه 27 تایی برای سه بارگذاری استاتیکی لبه نازک، استاتیکی لبه پهن و دینامیکی دسته‌بندی شده و بارگذاری شدند. هر یک از گروه‌های بارگذاری شده در سه دوره 5، 10 و 15 روزه انبار دار شده و بعد از هر دوره انبارداری با استفاده از آزمون غیرمخرب CT-Scan از تغییر بافت گلابی‌ها عکسبرداری شد و سپس میزان سفتی بافت گلابی با استفاده از سفتیسنج اندازه‌گیری شد. همچنین داده‌ها با استفاده از دو شبکه مصنوعی MLP و RBF شبیه‌سازی و مورد بررسی قرارگرفت. نتایج نشان داد که با افزایش دوره انبارداری و میزان نیروی بارگذاری در هر سه نوع بارگذاری میزان سفتی به‌طور معنی داری (سطح 1%) کاهش یافت. همچنین بافت گلابی در بارگذاری دینامیکی به شدت نسبت به دوبارگذاری دیگر تخریب شده است. بهترین مقادیر شبکه عصبی مصنوعی برای فشار لبه پهن (12 نرون- RBF) (R2 Wide edge= 0.9738– RMSE Wide edge= 0.3419- MAE Wide edge= 0.268) و برای فشار لبه نازک(4 نرون -RBF) (R2Thin edge= 0.9946– RMSE Thin edge=0.170977- MAE Thin edge= 0.133) و در نهایت برای بارگذاری دینامیکی (8 نرون- RBF) (R2 Dynamic loading = 0.9933– RMSE Dynamic loading =0.230- MAE Dynamic loading=0.187) بوده است.
علیرضا یوسفی؛ ناصر قاسمیان
چکیده
در این تحقیق یک مدل هیبریدی شبکه عصبی-GMDH جهت تخمین محتوای رطوبتی قطعات خربزه درختی در حین خشک‌شدن با هوای داغ در یک خشک‌کن کابینتی تعیین شد. برای این منظور پارامترهای زمان خشککردن، ضخامت قطعات و دمای خشککردن به‌عنوان ورودی تعریف گردید و مقدار نسبت رطوبتی (MR) به‌عنوان خروجی تخمین زده شد. دقیقاً 50 درصد داده‌ها جهت آموزش و 50 درصد ...
بیشتر
در این تحقیق یک مدل هیبریدی شبکه عصبی-GMDH جهت تخمین محتوای رطوبتی قطعات خربزه درختی در حین خشک‌شدن با هوای داغ در یک خشک‌کن کابینتی تعیین شد. برای این منظور پارامترهای زمان خشککردن، ضخامت قطعات و دمای خشککردن به‌عنوان ورودی تعریف گردید و مقدار نسبت رطوبتی (MR) به‌عنوان خروجی تخمین زده شد. دقیقاً 50 درصد داده‌ها جهت آموزش و 50 درصد دیگر برای تست کردن مدل استفاده شد. بهعلاوه، چهار مدل ریاضی مختلف بر داده‌های آزمایشگاهی برازش داده شدند و نتایج این مدل‌سازی با GMDH مقایسه گردید. مقدار ضریب تبیین (R2) و جذر میانگین مربعات خطا (RMSE) به‌دست آمده برای مدل GMDH به‌ترتیب 9960/0 و 0220/0 به‌دست آمد، درحالیکه برای بهترین مدل ریاضی (مدل نیوتن) این مقادیر به‌ترتیب برابر 9954/0 و 0230/0 تعیین شد. پس می‌توان نتیجه گرفت که مدل‌سازی با GMDH کارایی بالاتری نسبت به مدل ریاضی در تخمین محتوای رطوبتی قطعات لایه نازک خربزه درختی دارد.
سعیده فیاضی؛ محمدحسین عباسپورفرد؛ عباس روحانی؛ حسن صدرنیا؛ سید امیرحسن منجمی
چکیده
با توجه به ارزش اقتصادی متفاوت ارقام برنج، گزارشات نشان‌دهنده این هستند که احتمال اختلاط ارقام مختلف در بازار وجود دارد. استفاده از تکنیک‌های پردازش تصویر و شبکه‌های عصبی برای طبقه‌بندی ارقام برنج، روشی است که می‌تواند دقت فرآیند طبقه‌بندی را افزایش دهد. در این مطالعه چند ویژگی شکلی از تصاویر دانه‌ها بررسی شدند تا کارآیی آن‌ها ...
بیشتر
با توجه به ارزش اقتصادی متفاوت ارقام برنج، گزارشات نشان‌دهنده این هستند که احتمال اختلاط ارقام مختلف در بازار وجود دارد. استفاده از تکنیک‌های پردازش تصویر و شبکه‌های عصبی برای طبقه‌بندی ارقام برنج، روشی است که می‌تواند دقت فرآیند طبقه‌بندی را افزایش دهد. در این مطالعه چند ویژگی شکلی از تصاویر دانه‌ها بررسی شدند تا کارآیی آن‌ها در شناسایی سه رقم برنج ایرانی (طارم (محلی)، فجر، شیرودی) در نمونههای مخلوط این سه رقم ارزیابی شود. در مجموع 666 تصویر از دانه‌های برنج (222 تصویر از هر رقم) در شرایط نورپردازی ثابت گرفته شد و 17 ویژگی شکلی از تصاویر دانه‌ها استخراج شد. روش‌های ضریب فیشر (FC)، تحلیل اجزای اصلی (PCA) و ترکیبی از این دو روش (FC-PCA) برای انتخاب ویژگی‌هایی که بیشترین تأثیر را در دسته‌بندی و شناسایی ارقام دارند به‌کار برده شدند. برای طبقه‌بندی نمونههای برنج در سه کلاس مختلف از شبکه‌ی عصبی بردار یادگیر چندی‌ساز (LVQ4) استفاده شد. دقت طبقه‌بندی LVQ4، به‌ترتیب برای سه رقم فجر، شیرودی و طارم 87/98، 100 و 100%، برای دو رقم فجر و شیرودی 100 و 100%، برای دو رقم طارم و شیرودی 100 و 100% و برای دو رقم فجر و طارم 62/97 و 74/95% بود. این نتایج نشان می‌دهند که روش پردازش تصویر ابزاری مناسب برای تشخیص و جداسازی ارقام مختلف برنج است.
