كاربرد شبكه‏هاي هوش مصنوعي و استنتاج عصبي‌ فازي‌ تطبيقي براي تعيين محتواي رطوبتي برگ چاي سبز براساس پارامترهاي رنگي

Application of artificial neural network and adaptive neuro-fuzzy inference systems in determining the moisture content in green tea Leaves as based on color parameters

استفاده از پردازش تصوير و سامانه‌هاي هوش مصنوعي در زمينه كشاورزي و صنايع غذايي روز‌به‌روز بيشتر مي‌شود. هدف از انجام اين تحقيق، بررسي امكان استفاده از پردازش تصوير در پيش‏بيني روند تغييرات محتواي رطوبتي برگ‌‏هاي چاي سبز در حين خشك‌شدن با استفاده از سامانه‏هاي پيش‏گويي شبكه عصبي مصنوعي و استنتاج فازي‌ ‌عصبي‌ ‌تطبيقي است. آزمايش‌هاي خشك‌كردن به‌روش لايه نازك و براساس عوامل موثر در خشك‌شدن در پنج دماي 50، 60، 70،80، و 90 درجه سلسيوس و سه سرعت جريان هواي 5/0، 1، و 5/1 متر‌بر‌ثانيه انجام گرفت. نتايج حاصل از استخراج پارامترهاي رنگي تصاوير برگرفته از نماي بالاي نمونه‏ها، به‌عنوان داده‏هاي ورودي سامانه‏هاي هوش مصنوعي، براي تعيين محتواي رطوبتي آن‌ها به‌كار برده شد. در‌پايان، بهترين نتايج پيش‏بيني شبكه عصبي مصنوعي با دو لايه پنهان (شامل 12 نرون در لايه اول و 15 نرون در لايه دوم)با ضريب تعيين 948/0 و مجذور ميانگين مربعات خطاي 092/0 گرديد.

Use of image processing and artificial intelligence systems in agriculture and as well in food industry is on the increase daily. The purpose followed in this research was to study the feasibility of using image processing technique in predicting the process of moisture content changes in green tea leaves during drying, using such predictive artificial intelligence systems as: artificial neural networks and adaptive neuro-fuzzy inference system. The drying experiments were conducted at five temperatures of 50, 60, 70, 80 and 90°C and three air flow rates of 0.5, 1 and 1.5 m/s using thin layer method. The resulting data gained from colorful images take from the upper views of the samples were conclusively applied as input data of artificial intelligence systems for a determination of the moisture content. Finally, the most acceptable results were predicted by the artificial neural network of two hidden layers (containing 12 neurons in the first layer, 15 on the second) with a determination coefficient of 0.948 and root mean square error of 0.092, respectively.