پيش‌بيني پاسخ آكوستيك، شاخص تردي و سفتي ميوه خيار با استفاده از شبكه‌هاي عصبي مصنوعي

Prediction of Cucumber Acoustic Response, Crispness Index and Firmness Using Artificial Neural Networks

خيار يك ميوه پر مصرف در ايران است كه مصرف زيادي در تمام فصول دارد؛ لذا بررسي پارامترهاي موثر در ميزان كيفيت آن امري اجتناب ناپذير به نظر مي‌رسد. با توجه به صرف هزينه و زمان زياد براي اندازه‌گيري پارامتر‌ها، پيش-بيني آن‌ها با توجه به عوامل تاثيرگذار بسيار مفيدتر خواهد بود. در تحقيق حاضر ارتباط بين دو ويژگي مكانيكي (شاخص تردي و سفتي) و فشار صداي حاصل از شكستن (پاسخ آكوستيك) ميوه خيار با زمان و شرايط مختلف انبارداري و در قسمت‌هاي مختلف ميوه با استفاده از شبكه­ هاي عصبي مصنوعي مدل‌سازي شد. ورودي‌ شبكه ­ها زمان نگهداري، شرايط نگهداري و موقعيت انجام تست در طول ميوه بودند. با استفاده از مقادير ويژگي‌هاي مكانيكي و صوتي به عنوان خروجي‌هاي هدف، شبكه‌هاي مختلفي با پيكربنديهاي متفاوت تعريف و آموزش داده شدند. شبكه‌ عصبي چند لايه پرسپترون و شبكه عصبي با تابع پايه شعاعي با تعداد نرون‌هاي مختلف و توابع آموزش مومنتوم، گراديان نزولي و لونبرگ-ماركوارت و توابع آستانهSigmoidAxon و TanhAxon به كار گرفته شدند. دقت يادگيري شبكه‌ها در تخمين ويژگي‌هاي مكانيكي و صوتي مورد بررسي قرار گرفت. نتايج نشان داد كه شبكه عصبي پرسپترون چندلايه با تابع آستانه TanhAxon و تابع آموزش مومنتوم و پيكربندي 3-3-5-3 بهترين عملكرد در پيش­بيني فشار صوت، شاخص تردي و و سفتي ميوه خيار رقم ويولا را دارا بود. شبكه عصبي مذكور توانايي پيش­بيني فشار صوت، شاخص تردي و سفتي خيار با ضرايب تبيين به ترتيب 9973/0، 9456/0 و 9129/0 و ريشه ميانگين مربعات خطاي 021/0، 052/0 و 059/0 را داشت.

Cucumber fruit consumes in high quantities during allseasons in Iran; so it is important to evaluate parameters that affected the cucumber quality. Measurement of these parameters is expensive and time-consuming process. Therefore, parameters prediction due to affecting factors will be more useful. In this research work, artificial neural networks used for modelling the relationship between mechanical properties (crispness index and firmness) and sound pressure during cutting (acoustic response) with storage time, storage conditions on different positions on cucumber fruit. The networksinput were storage time, storage conditions and test position on the fruit length. The networks outputtargets were the values of the mechanical properties and acoustic response. The different networks defined and trianed with different topologies. Multi layer perception (MLP) and radial basis function (RBF) networks used with different number of neurons. The training rules were Momentum, Conjugate Gradient and Levenberg-Marquardt. The transfer functions were TanhAxon and SigmoidAxon. The networks evaluated respected to estimation the accuracy of acoustic and mechanical properties. The results showed that MLP network with Momentom training function, TanhAxon transfer function and 3-5-3-3 topology had the best accuracy for prediction of acoustic and mechanical properties of Viola cucumber fruit. This network can predict the sound pressure, crispness index and firmness of the fruit with determinations coefficient of 0.9973, 0.9456 and 0.9129 and root mean square error of 0.021, 0.052 and 0.059 respectively.