محمد کاوه؛ رضا امیری چایجان؛ یوسف عباسپور گیلانده؛ ترحم مصری گندشمن
چکیده
در این پژوهش، به‌منظور برآورد خواص خشک‌کردن بادمجان در یک خشک‌کن پیوسته از روش شبکه‌های عصبی مصنوعی (ANN)، الگوریتم بهینه‌سازی توده ذرات (PSO) و الگوریتم گرگ خاکستری (GWO) استفاده شد. فرآیند خشک‌کردن در سه سطح دمایی (45، 60 و C°75)، سه سطح سرعت هوا (1 و 5/1 و m/s2) و سه سطح سرعت خطی تسمه (5/2، 5/6 و mm/s 5/10) در یک خشک‌کن پیوسته صورت گرفت که این سه پارامتر ...
بیشتر
در این پژوهش، به‌منظور برآورد خواص خشک‌کردن بادمجان در یک خشک‌کن پیوسته از روش شبکه‌های عصبی مصنوعی (ANN)، الگوریتم بهینه‌سازی توده ذرات (PSO) و الگوریتم گرگ خاکستری (GWO) استفاده شد. فرآیند خشک‌کردن در سه سطح دمایی (45، 60 و C°75)، سه سطح سرعت هوا (1 و 5/1 و m/s2) و سه سطح سرعت خطی تسمه (5/2، 5/6 و mm/s 5/10) در یک خشک‌کن پیوسته صورت گرفت که این سه پارامتر به‌عنوان ورودی در پیش‌بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه، در مدل‌های ANN، PSO و GWO مورد استفاده قرار گرفت. آزمایش‌ها برای خشک کردن بادمجان از رطوبت (d.b.%) 1025 تا زمانی که رطوبت نهایی به (d.b.%) 10 رسید انجام گرفت. با توجه به نتایج به‌دست آمده، بیشترین مقدار ضریب پخش رطوبت موثر (Deff) برای بادمجان (m2/s 8-10×14/1) حاصل شد. همچنین کمترین مقدار انرژی مصرفی ویژه (SEC) MJ/kg62/130 به‌دست آمد. پس از آن 27 نمونه آماده با توجه به استانداردهای مربوطه و مجموعه داده‌ها به‌دست آمد. سپس با توجه به چندین شاخص عملکرد، از جمله ضریب تعیین (R2)، میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE)، مدل‌ها مورد بررسی و مقایسه قرار گرفتند و بهترین مدل پیش‌بینی انتخاب شد. با توجه به نتایج به‌دست آمده مقدار R2 برای مدل GWO به‌ترتیب 9996/0 و 9994/0 برای ضریب پخش رطوبت موثر و انرژی مصرفی نشان‌دهنده برتر بودن مدل GWO نسبت به سایر مدل‌ها می‌باشد، در حالی که این مقادیر به‌ترتیب 9992/0 و 9991/0 برای PSO و 9990/0 و 9988/0 برای ANN به‌دست آمد. نتایج نشان داد که مدل GWO دارای ظرفیت بیشتری برای پیش‌بینی Deff و SEC در مقایسه با دیگر مدل‌ها می‌باشد.
مریم سلطانی کاظمی؛ سامان آبدانان مهدی زاده؛ مختار حیدری؛ سید مجتبی فارغ
چکیده
در این پژوهش به‌منظور 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 قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین ...
بیشتر
در این پژوهش به‌منظور 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 قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به‌منظور توسعه مدل پیشگو و طبقه‌بندی داده‌ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ Y و S که به‌ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال میباشند، به‌عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه‌بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه‌بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 08/97 طبقه‌بندی نمود. همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 141/0، ضریب همبستگی 99/0، مواد ایجادکننده رنگ قهوهای را با 0016/0= RMSE، ضریب همبستگی 97/0، فنول را با 879/1590=RMSE، ضریب همبستگی 8057/0، TSSرا با 0040/0=RMSE، ضریب همبستگی 907/0، اسیدیته را با 50/3=RMSE، ضریب همبستگی 986/0، ویتامین ث را با 285/0=RMSE، ضریب همبستگی 878/0 و pH را با 00017/0=RMSE و ضریب همبستگی 99/0 پیش‌بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه‌بند k-NN با آنالیز فرکتال می‌تواند به‌عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.
سامان آبدانان مهدی زاده؛ سمیه امرایی
چکیده
رنگ اولین ویژگی کیفیت مواد غذایی است که توسط مصرف کنندگان مورد بررسی قرار می گیرد. اندازه گیری رنگ مواد غذایی به‌عنوان یک شاخص غیرمستقیم در اندازه گیری دیگر ویژگی های کیفیتی مانند عطر و طعم و محتویات رنگدانه به دلیل سرعت و سادگی در اندازه گیری، و همچنین ارتباط با سایر خواص فیزیکی محصولات غذایی مورد استفاده قرار می گیرد. در میان فضاهای ...
بیشتر
رنگ اولین ویژگی کیفیت مواد غذایی است که توسط مصرف کنندگان مورد بررسی قرار می گیرد. اندازه گیری رنگ مواد غذایی به‌عنوان یک شاخص غیرمستقیم در اندازه گیری دیگر ویژگی های کیفیتی مانند عطر و طعم و محتویات رنگدانه به دلیل سرعت و سادگی در اندازه گیری، و همچنین ارتباط با سایر خواص فیزیکی محصولات غذایی مورد استفاده قرار می گیرد. در میان فضاهای رنگی مختلف، عموما در اندازه گیری رنگ مواد غذایی، از فضای رنگی L*a*b* با توجه به توزیع یکنواخت و نزدیکی بسیار زیاد به ادراک انسان استفاده می شود. بطور کلی رنگ سنج های تجاری هنگام اندازه-گیری رنگ، سطح کوچکی از محصول را پوشش می دهند. در مقابل دوربین های دیجیتال اطلاعات پیکسلی را در اختیار کاربر قرار می دهند؛ این پژوهش یک راه‌حل محاسباتی به‌منظور استخراج واحدهای L*a*b* از اطلاعات پیکسلی تصاویر RGB دیجیتال را ارائه می دهد. در این مطالعه به‌منظور تبدیل واحدهای RGB به L*a*b* از چهار مدل: خطی، درجه دوم، شبکه عصبی مصنوعی (ANN) و رگرسیون بردار پشتیبانی (SVR) استفاده گردید. در ارزیابی مدل ها، رگرسیون بردار پشتیبانی و مدل شبکه عصبی به ترتیب با خطای 88/0 و 37/2 بهترین عملکرد را از خود نشان دادند. با توجه به مدل های شکل گرفته، ارتباط خوبی بین رنگ اندازه گیری و برآورد شده تشکیل شده بود. بنابراین، بر اساس نتایج بدست آمده از بینایی ماشین، روش توصیه شده در این پژوهش برای تبدیل دقیق رنگ یک محصول غذایی از روی اطلاعات پیکسلی یک دوربین دیجیتال به L*a*b* مناسب می باشد.
