پيش بيني حجم، سطح جانبي و كرويت انار با استفاده از شبكه عصبي مصنوعي MLP

Prediction of lateral surface, volume and sphericity pomegranate using MLP artificial neural network

اندازه گيري سريع و دقيق خصوصيات هندسي محصولات كشاورزي كاربردهاي زيادي در امور مربوط به كاشت، داشت، برداشت و پس از برداشت دارد. محاسبات مربوط به انبارداري و نقل و انتقال، در كنار محاسبه ميزان مواد پوششي داده شده به محصولات براي افزايش عمر انبار داري، همچنين تخمين زمان پوست كني و تعيين ميزان تجمع مواد ميكروبي روي محصول، از جمله كاربردهاي مهم اندازه گيري حجم و سطح جانبي ميباشند. ضريب كرويت نيز كه يكي از پارامترهايي است كه براي كمي كردن اختلاف در شكل ميوه ها، سبزي ها، غلات و بذرها به كار ميرود، در فرايندهاي جداسازي توسط ماشين هاي غربال و نيز قابليت غلتش روي سطوح داراي اهميت مي باشد. استفاده از شبكه عصبي به عنوان يك روش سريع و غيرمخرب براي پيش بيني خصوصيات فيزيكي محصولات كشاورزي حائز اهميت مي باشد. توانايي تكنيك شبكه عصبي مصنوعي به عنوان يك روش جايگزين در پيش بيني حجم، سطح جانبي و كرويت انار ارزيابي شد. از مقايسه آماري پارامترهايي مانند ميانگين، واريانس، توزيع آماري و رابطه رگرسيوني بين مقادير پيش بيني شده توسط شبكه عصبي و مقادير واقعي آنها استفاده شد. نتايج نشان داد كه مقادير 0/85 ≥ P بدست آمد، كه نشان دهنده عدم وجود تفاوت معني داري در سطح 5 درصد بين مقادير ويژگي هاي آماري مجموعه داده هاي پيش بيني شده و مقادير واقعي آنها بود. همچنين ضرايب تبيين بين داده هاي واقعي و پيش بيني شده بزرگتر از 0/9 شد.

Fast and accurate determination of geometrical properties of agricultural products has many applications in agricultural operations like planting, cultivating, harvesting and post-harvesting. Calculations related to storing, shipping and storage-coating materials as well as peeling time and surface-microbial concentrations are some applications of estimating product volume and surface area. Sphericity is also a parameter by which the shape differences between fruits, vegetables, grains and seeds can be quantified. This parameter is important in grading systems and inspecting rolling capability of agricultural products. Artificial neural network, as a non-destructive, fast method to estimate the physical properties of agricultural products has attracted significant attentions. The potential of Artificial Neural Network (ANN) technique has evaluated as an alternative method to predict the volume, surface area and sphericity of pomegranate. Some statistical tests, such as comparisons of the means, variance, statistical distribution as well as coefficient of determination in linear regression were used between the actual and predicted data using ANN. Results showed that P-value was greater than 0.85, indicating that there was no significant difference between statistical parameters and also coefficients of determination between actual and predicted data was greater than 0.9