پیش بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه های عصبی مصنوعی
نویسنده(گان):	مهدی جهانگیری صالح، سید رضا حسن بیگی*، محمد ابونجمی، محمود لطفی
چکیده:	خیار یک میوه پر مصرف در ایران است که مصرف زیادی در تمام فصول دارد؛ لذا بررسی پارامترهای موثر در میزان کیفیت آن امری اجتناب ناپذیر به نظر می رسد. با توجه به صرف هزینه و زمان زیاد برای اندازه گیری پارامتر ها، پیش-بینی آن ها با توجه به عوامل تاثیرگذار بسیار مفیدتر خواهد بود. در تحقیق حاضر ارتباط بین دو ویژگی مکانیکی (شاخص تردی و سفتی) و فشار صدای حاصل از شکستن (پاسخ آکوستیک) میوه خیار با زمان و شرایط مختلف انبارداری و در قسمت های مختلف میوه با استفاده از شبکه های عصبی مصنوعی مدل سازی شد. ورودی شبکه ها زمان نگهداری، شرایط نگهداری و موقعیت انجام تست در طول میوه بودند. با استفاده از مقادیر ویژگی های مکانیکی و صوتی به عنوان خروجی های هدف، شبکه های مختلفی با پیکربندی های متفاوت تعریف و آموزش داده شدند. شبکه عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی با تعداد نرون های مختلف و توابع آموزش مومنتوم، گرادیان نزولی و لونبرگ-مارکوارت و توابع آستانهSigmoidAxon و TanhAxon به کار گرفته شدند. دقت یادگیری شبکه ها در تخمین ویژگی های مکانیکی و صوتی مورد بررسی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با تابع آستانه TanhAxon و تابع آموزش مومنتوم و پیکربندی ۳-۳-۵-۳ بهترین عملکرد در پیش بینی فشار صوت، شاخص تردی و و سفتی میوه خیار رقم ویولا را دارا بود. شبکه عصبی مذکور توانایی پیش بینی فشار صوت، شاخص تردی و سفتی خیار با ضرایب تبیین به ترتیب ۹۹۷۳/۰، ۹۴۵۶/۰ و ۹۱۲۹/۰ و ریشه میانگین مربعات خطای ۰۲۱/۰، ۰۵۲/۰ و ۰۵۹/۰ را داشت.
کلیدواژگان:	شبکه های عصبی مصنوعی، خیار، شاخص تردی، سفتی، فشار صوت، ویولا
زبان:	فارسی
انتشار در:	مجله علوم و صنایع غذایی ایران، سال چهاردهم شماره ۲ (پیاپی ۶۳، اردیبهشت ۱۳۹۶)
صفحات:	۲۶۵ -۲۷۶
نسخه الکترونیکی:	متن این مقاله در سایت مگیران قابل مطالعه است.

Prediction of Cucumber Acoustic Response, Crispness Index and Firmness Using Artificial Neural Networks
Author(s):	Jahangiri-Saleh M.، Hassan Beygi Sr *، Aboonajmi M.، Lotfi M
Abstract:	Cucumber fruit consumes in high quantities during all seasons 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 networks input were storage time, storage conditions and test position on the fruit length. The networks output targets 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.
Keywords:	Artificial Neural Networks، Cucumber، Crispness Index، Firmness، Sound pressure، Viola
Language:	Persian
Published:	Food Science and Technology, Volume:14 Issue: 2, 2017
Pages:	265 -276
Full text:	PDF is available on the website.