Ali Ganjloo - -
Mohsen Zandi - Assistant professor, Department Food Science and Engineering, Faculty of Agriculture, University of Zanjan, Zanjan, Iran.
Mandana Bimakr - -
Abolfazl Ghareh Baghi - -

در این پژوهش تاثیر پوشش خوراکی صمغ فارسی (۰، ۵/۱ و ۳ درصد) حاوی روغن شاهدانه (۰، ۰۷۵/۰ و ۱۵/۰ درصد) بر تغییرات جرم و حجم طی نگهداری در دمای ۴ درجه سلسیوس به مدت ۲۸ روز بررسی گردید. سیستم بینایی ماشین به همراه انواع روش های یادگیری ماشین برای استخراج تصویر انگور از تصویر و تخمین جرم و حجم بر اساس خصیصه های تصویر (طول، عرض، ارتفاع و سطح) استفاده شد. برای پیش بینی جرم و حجم حبه انگور ۴ مدل یادگیری ماشین شامل رگرسیون خطی (LR)، شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان بر پایه تابع شعاعی (RBF-SVR) و ماشین بردار پشتیبان بر پایه تابع خطی (LBF-SVR) توسعه یافت. به منظور بررسی کارایی مدل های توسعه یافته داده های تخمین جرم و حجم انگور با داده های تجربی مقایسه گردید. جرم و حجم طی نگهداری در کل تیمارها کاهش یافت. از طرفی تغییرات جرم و حجم با افزایش غلظت صمغ فارسی و روغن شاهدانه کاهش یافت. بر اساس نتایج ارزیابی مدل، عملکرد پیش بینی مدل RBF-SVR در مقایسه با مدل های LR، ANN و LBF-SVR دقیق تر بود و توانست جرم و حجم را به ترتیب با ضریب تبیین ۹۹۸/۰ و ۹۸۹/۰ تخمین بزند که نشان دهنده همبستگی خوب بین نتایج واقعی و پیش بینی است. این نتایج تائید می‎ نماید که مدل SVR ابزاری قابل قبول در تخمین جرم و حجم انگور پوشش دار شده طی نگهداری در دمای سردخانه است.

Coating, Image processing, Support vector machine, Artificial neural network, Prediction, پوشش دهی, پردازش تصویر, ماشین بردار پشتیبان, شبکه عصبی مصنوعی, پیش بینی