اندازه گیری ph محلول راکتور زیستی دارای شناساگر فنول رد با استفاده از پردازش تصویر و شبکه های عصبی rbf و anfis

در این پژوهش اندازه گیری ph محلول کشت در نظر گرفته شده و سامانه ی تعبیه ‌شده‌ای طراحی شد تا به‌طور خودکار و بدون دخالت انسان بتواند ph را به صورت لحظه ای اندازه گیری کرده و به کنترل ph  با سرعت بالاتر کمک کند. برای این منظور از پردازش رنگ محلول با دوربین و استفاده از الگوریتم های شبکه عصبی مصنوعی استفاده شده و الگوریتم ها بر روی یک پردازنده پیاده‌سازی شد. شبکه توسط داده‌های آزمایشگاهی محلول مانند آموزش داده شد. تعداد لایه‌های شبکه rbf سه و ورودی ها در سه دسته rgb به شبکه داده شد و نسبت به محلول استاندارد خطای rbf  در خطای آموزش به 0.35 و خطای تست به 0.1 رسیده و در شبکه anfis مقدار خطای آموزش کم تر از 0.06 و خطای آزمون به کم تر از 0.01 رسید که نشان می دهد دقت بالاتری نسبت به شبکه rbf دارد. این درصد خطا با 37 محلول گوناگون به ‌دست‌ آمد. با افزایش تعداد آن می‌توان این خطا را نیز کاهش داد.

pH Measurements of a Bioreactor Containing Phenoluride Detector Using Image Processing and Neural Networks RBF and ANFIS

In this article measure pH is intended in the culture solution and designed embedded system automatically and without human intervention be able to instantly measure the pH and help to control the pH at a higher speed. For this reason, using the camera and color processing solution and artificial neural network algorithms and algorithms can be implemented on a processor.The network was instructed by experimental solution data. The network layers of RBF are three and inputs in three categories of RGB is sent to the network and accordance with a standard solution, RBF error in training error reached 0.35 and test error reached 0.1 and in ANFIS network training error is less than 0.06 and test error reached to 0.01 then ANFIS is more accurate than RBF network. This percentage of errors obtained with 37 different solutions and this error can be reduced by increasing its number