پیش‌بینی حجم، سطح جانبی و ضریب کرویت انار با استفاده از شبکه عصبی مصنوعی mlp

اندازه‌گیری سریع و دقیق خصوصیات هندسی محصولات کشاورزی کاربردهای زیادی در امور مربوط به کاشت، داشت، برداشت و پس از برداشت دارد. محاسبات مربوط به انبارداری و نقل و انتقال، میزان مواد پوشش‌دهنده داده شده به محصولات برای افزایش عمر انبار داری، همچنین تخمین زمان پوست کنی و تعیین میزان تجمع مواد میکروبی روی محصول، از جمله کاربردهای مهم اندازه‌گیری حجم و سطح جانبی می‌‌باشند. ضریب کرویت نیز که یکی از پارامترهایی است که برای کمی کردن اختلاف در شکل میوه‌ها، سبزی‌ها، غلات و بذرها به‌کار می‌رود، در فرآیندهای جداسازی توسط ماشین‌های غربال و نیز قابلیت غلتش روی سطوح دارای اهمیت می‌باشد. استفاده از شبکه عصبی به‌عنوان یک روش سریع و غیرمخرب برای پیش‌بینی خصوصیات فیزیکی محصولات کشاورزی حائز اهمیت می‌‌باشد. در این تحقیق توانایی تکنیک شبکه عصبی مصنوعی به‌عنوان یک روش جایگزین در پیش‌بینی حجم، سطح جانبی و کرویت انار ارزیابی شد. برای این کار از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و رابطه رگرسیونی بین مقادیر پیش‌بینی شده توسط شبکه عصبی و مقادیر واقعی آنها استفاده شد. طبق نتایج به‌دست آمده مقدار 85/0 ≤p می‌باشد که نشان‌دهنده عدم وجود تفاوت معنی‌داری در سطح 5 درصد بین مقادیر ویژگی‌های آماری مجموعه داده‌های پیش‌بینی شده توسط شبکه عصبی و مقادیر واقعی آنها بود. همچنین ضرایب تبیین بین داده‌های واقعی و پیش‌بینی شده بزرگتر از 9/0 شد.