نوع مقاله : مقاله پژوهشی لاتین
نویسندگان
1 دانشگاه فردوسی واحد بین الملل
2 دانشگاه سبزوار
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 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.
کلیدواژه‌ها
عنوان مقاله [English]
Monitoring the osmotic dehydration process of quince by the novel fusion modular neural networks - fuzzy logic (Fmnn-Fl)
نویسندگان [English]
- Mahdi Irani 1
- Masoud Shafafi 2
- Hasan Irani
1 Ferdowsi University of Mashhad International Campus
2 Department of Food Science & Technology, Sabzevar Branch, Islamic Azad University, Sabzevar, Iran
چکیده [English]
This paper presents a novel approach to monitor food process based on Modular Neural Networks (MNNs) and fuzzy inference system. The proposed MNN consists of three separate modules, each using different image features as input including: edge detection, wavelet transform, and Hough transform. The sugeno fuzzy inference system was used to combine the outputs from each of these modules to classify the images of quince during osmotic dehydration process. To test the method, for classification, database was made of 108 quince samples’ images (12 classes). In experiments, the developed architecture achieved 91.6% recognition accuracy. Next step, solid gain, water loss and moisture content of quince samples were considered as MNNs outputs, whereas osmotic dehydration time and classified images were MNNs inputs. The minimum %MRE (18.153) with 89% prediction ability for water loss (WL) was obtained when applying two hidden layers with 6 neurons per each two layers. The lowest %MRE (35.5335) with 93% prediction ability for solid gain (SG) was obtained when using 6 and 8 neurons per first and second layer, respectively. And finally %MRE was at least (7.4759) with 96% prediction ability for moisture content (MC) by 6 and 5 neurons per first and second layer, respectively. The results show that this model could be commendably implemented for quantitative modeling and monitoring of food quality changes during osmotic dehydration process.
کلیدواژه‌ها [English]
- Modular Neural Networks
- Quince
- Fuzzy Inference System
- Osmotic Dehydration
- Neural Networks
)
ارسال نظر در مورد این مقاله