تخمین گرانروی شیره خرما با استفاده از ماشین بینایی و شبکه عصبی مصنوعی

تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازه گیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز می باشد. روش های اندازه گیری گرانروی متداول نیازمند نمونه گیری از فرآورده بوده و در عین حال زمان بر می باشند و لذا از این روش ها نمی توان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند به صورت بلادرنگ وضعیت گرانروی مایع را پایش نماید، از ملزومات یک سیستم کنترل کیفیت محصول شیره خرما می باشد تا مطابق با مقدار آنی گرانروی، اقدام به تغییر پارامترهای ورودی و شرایط فرآوری نماید تا محصولی با گرانروی و کیفیت استاندارد فراهم شود. در این تحقیق بر اساس ویژگی های مستخرج از تصاویر و بهره گیری از شبکه های عصبی مصنوعی روشی ابداع گردید تا گرانروی شیره خرما را در حین ریزش تعیین نماید. بر اساس اندازه گیری های به دست آمده توسط دستگاه لزجت سنج بروکفیلد مشخص شد که رفتار شیره خرما در دماها و غلظت های مختلف متفاوت بوده و دامنه گسترده ای از رفتار نیوتنی تا غیرنیوتنی را شامل می شود. از شبکه عصبی چند لایه با روش تعلیم پس انتشار خطا به منظور پیش بینی دو مقدار شاخص رفتار جریان و شاخص قوام بر اساس ویژگی های استخراج شده از تصویر استفاده شد. مقادیر خروجی روش پیشنهادی با مقادیر اندازه گیری شده توسط دستگاه لزجت سنج بروکفیلد در سطوح مختلف دما و غلظت شیره خرما واسنجی گردید. نتایج حاصله بیانگر همبستگی شاخص های رفتار و جریان به دست آمده از این روش با مقادیر واقعی با ضریب همبستگی تا حد 0/989 و میانگین خطای 0/0138 در داده های ارزیابی بود.