مریم سلطانی کاظمی - دانشجوی کارشناسی ارشد، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان
سامان آبدانان مهدیزاده - استادیار، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان
مختار حیدری - دانشیار، دانشکده کشاورزی، گروه باغبانی، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان
سید مجتبی فارغ - استادیار، دانشکده مهندسی زراعی و عمران روستایی، گروه ماشینهای کشاورزی و مکانیزاسیون، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

در این پژوهش به منظور 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 قهوه ای و Ph) به ترتیب به عنوان ویژگی های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به منظور توسعه مدل پیشگو و طبقه بندی داده ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ S و Y که به ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال می باشند، به عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 97/08 طبقه بندی نمود . همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 0/141، ضریب همبستگی 0/99 مواد ایجادکننده رنگ قهوه ای را با RMSE=0/0016، ضریب همبستگی 0/97، فنول را با RMSE=1590/879 ضریب همبستگی 0/8057، TSS را با RMSE=0/004، ضریب همبستگی 0/907، اسیدیته را با RMSE=3/50، ضریب همبستگی 0/986، ویتامین ث را با RMSE=0/285، ضریب همبستگی 0/878 و PH را با RMSE=0/00017 و ضریب همبستگی 0/99 پیش بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه بند k-NN با آنالیز فرکتال می تواند به عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.

شبکه عصبی مصنوعی، طبقه بندکننده نزدیکترین همسایگی، بعد فرکتال، پارامترهای بیوشیمیایی