امید دوستی ایرانی - گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
عباس روحانی - گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
محمودرضا گلزاریان - گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
منصوره شمیلی - گروه علوم باغبانی و مهندسی فضای سبز، دانشکده کشاورزی، دانشگاه هرمزگان.
پیمان آذر کیش - گروه علوم باغبانی و مهندسی فضای سبز، دانشکده کشاورزی، دانشگاه فردوسی مشهد.

درجه بندی میوه از نظر ویژگی های کیفی از جمله سفتی، مواد جامد محلول و اسیدیته، به صورت غیرمخرب در امر بازارپسندی آن تاثیر به سزایی دارد. در این پژوهش با استفاده از ترکیب تکنیک های پردازش تصویر و هوش مصنوعی، پیش بینی ویژگی های کیفی انبه رقم کلک سرخ مورد بررسی قرار گرفته است. نمونه های مورد بررسی در دو تیمار دمایی ۵، ۱۵ و تیمار شاهد (۲۴ درجه سانتی گراد) به مدت ۴۸ ساعت قرار گرفتند. پس از آن به مدت ۱۴ روز به صورت یک روز در میان تصویربرداری از نمونه ها انجام و ویژگی های رنگی از نواحی مورد نظر در محیط رنگی L*a*b استخراج شدند. پس از هر مرحله تصویربرداری میزان اسیدیته، قند و سفتی بافت اندازه گیری شد. به منظور بررسی ارتباط بین خصوصیات فیزیکوشیمیایی و مشخصه های تصویری بین نمونه ها، شبکه عصبی چندلایه پرسپترون ایجاد و آموزش داده شد. از این شبکه تربیت شده به منظور پیش بینی ویژگی های فیزیکی از روی مشخصه های رنگی استفاده شد. متغیرهای ورودی به شبکه شامل تیمار دمایی در سه سطح (شاهد، ۱۵ و ۵ درجه سانتی گراد)، کانال های رنگی (L, a, b) و میزان انحراف معیار کانال های رنگی (stdL, stda, stdb) است. متغیرهای خروجی نیز شامل قند، اسیدیته و سفتی بافت است. نتایج حاصل از پیش بینی مدل شبکه عصبی نشان داد که دقت مدل در مرحله آزمون برای پیش بینی فاکتورهای اسیدیته، قند و سفتی بافت به ترتیب برابر با ۴۵، ۸۵، ۸۸ درصد است؛ بنابراین هرچند دقت مدل شبکه عصبی برای پیش بینی اسیدیته از روی فاکتورهای رنگی نمونه­های انبه پایین بود، اما شبکه عصبی مبتنی بر ماشین بینایی قادر به پیش بینی فاکتورهای سفتی و قند با دقت بالا است.

انبه, ماشین بینایی, شبکه عصبی, ویژگی های کیفی