این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش و نوآوری در علوم و صنایع غذایی، جلد ۸، شماره ۲، صفحات ۱۷۷-۱۸۸
عنوان فارسی کاربرد شبکۀ عصبی مصنوعی و آزمون غیر‌مخرب سی‌تی‌اسکن در تخمین مقدار کوفتگی گلابی در اثر اعمال بارهای خارجی
چکیده فارسی مقاله آسیب‌های گلابی یکی از علت‌های اصلی ازدست‌دادن کیفیت میوه است. کبودی در هنگام بارگذاری دینامیکی و شبه استاتیک رخ می‌دهد که باعث تخریب بافت سالم میوه می‌گردد. در این پژوهش ابتدا گلابی‌ها تحت بارگذاری شبه استاتیکی (لبۀ پهن و لبۀ نازک) و بارگذاری دینامیکی قرار گرفتند. سپس در دوره‌های 5، 10 و 15 روزه انبارداری شده و بعد از هر دوره انبارداری با استفاده از تکنیک غیرمخرب سی‌تی‌اسکن (CT-Scan) برای تخمین درصد پوسیدگی مورد بررسی قرار گرفتند. شبکۀ عصبی مصنوعی پرسپترون چندلایه (MLP) با دولایۀ پنهان و تعداد 3، 5، 7 و 9 نرون در هر لایه برای مدل‌سازی نیروی بارگذاری و دورۀ انبار‌داری میوۀ گلابی جهت پیشگویی میزان پوسیدگی انتخاب گردید. بیشترین مقادیر R2 آموزش و آزمون برای بارگذاری شبه استاتیکی لبۀ نازک و لبۀ پهن در شبکه‌ای با 9 نرون به‌ترتیب 0/91=لبۀ نازک آموزش، 0/99=لبۀ نازک آزمون و 0/95= لبۀ پهن آموزش و 0/99= لبۀ پهن آزمون بوده است و برای بارگذاری دینامیکی شبکه‌ای با 3 نرون در لایۀ مخفی 0/98=آموزش، 0/99=آزمون بیشترین مقدار را به خود اختصاص داده است. همچنین بهترین شبکه برای یادگیری (9 نرون) بارگذاری شبه استاتیکی لبۀ نازک، (7 نرون) بارگذاری شبه استاتیکی لبۀ پهن و بارگذاری دینامیکی (7 نرون) بود. باتوجه‌به نتایج به‌دست‌آمده برای R2، RMSE و سیکل یادگیری می‌توان گفت شبکۀ عصبی توانایی پیش‌بینی میزان درصد پوسیدگی را در حد قابل‌قبولی برای گلابی داشته است.
کلیدواژه‌های فارسی مقاله بارگذاری، روش غیرمخرب، شبکۀ عصبی، کبودی، گلابی،
عنوان انگلیسی Application of Artificial Neural Network and Non-Destructive CT scan Test in Estimating the Amount of Pear Bruise Due To External Loads
چکیده انگلیسی مقاله Pear damage is one of the main causes of the loss of fruit quality. Bruises occur during dynamic and quasi-static loading, which causes damage to the healthy tissue of the fruit. In this research, pears were placed under quasi-static loading (thin edge and wide edge) and dynamic loading. Then they were stored in 5, 10 and 15 days and after each storage period, using the CT-Scan non-destructive technique the bruise percentage was estimated. In this study, multi-layer perceptron artificial neural network (MLP) by 2 hidden layers and 3, 5, 7 and 9 neurons hidden layers was selected for modeling of loading force and storage period to predict bruise rate. The highest R2 values for training and testing for quasi-static loading of thin edge and wide edge in a 9-neural network were training Thin-edge=0.91, test Thin-edge =0.99 and training Wide-edge=0.95, test Wide-edge =0.99. For the dynamic loading of a network with 3 neurons in the hidden layer has the highest value (training Wide-edge=0.98, test Wide-edge =0.99). For learning (9 neurons) quasi-static loading thin edge (7 neurons) quasi-static loading wide edge and dynamic loading (7 neurons) have been the best network. According to the results obtained for R2, RMSE and learning cycle, it can be said that the neural network has the ability to predict the bruise percentage to an acceptable level for pears.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محسن آزادبخت |
دانشیار، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

محمد واحدی ترشیزی |
دانشجوی کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

نشانی اینترنتی http://journals.rifst.ac.ir/article_90994_ed1e58742a5ce5f98695915297b1b5d2.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1452/article-1452-1738922.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات