مروری بر ارزیابی کیفیت‌سنجی میوه و سبزیجات با استفاده از محاسبات نرم

تقاضا برای محصولات باکیفیت از دهه‌های گذشته در حال افزایش بوده و هم اکنون نیز روند آن به صورت تصاعدی ادامه دارد. ارزیابی کیفیت، افزایش تولید محصولات را با استفاده از روش‌های خودکار، مقرون به صرفه و غیرمخرب تضمین می‌کند. در چند سال گذشته نتایج قابل توجهی در ارزیابی کیفیت در بخش‌های مختلف کشاورزی و غذایی به دست آمده است. این دستاوردها با استفاده از تکنیک‌های یادگیری ماشین و تحلیل تصاویر، به صورت یکپارچه‌ای یکسان شده‌اند. علاوه بر این، با وجود برنامه‌های مختلف یادگیری ماشین، این پژوهش بر روی ترکیب تکنولوژی‌های آماری ماشین‌های یادگیری و سیستم‌های بینایی ماشین در کشاورزی تمرکز کرده است. در این پژوهش، دو نوع تکنیک یادگیری ماشین، یادگیری نظارت شده و بدون نظارت، در کشاورزی استفاده شده‌اند. راه‌حل‌های نرم‌افزاری متنوعی مبتنی بر تکنیک‌های پردازش تصاویر مانند شبکه‌های عصبی مصنوعی، الگوریتم ژنتیک، یادگیری عمیق و منطق فازی برای تشخیص خودکار و طبقه‌بندی میوه‌ها درجات مختلف مورد استفاده قرار گرفته‌اند. این تکنیک‌ها به تجزیه و تحلیل داده‌ها و ارائه راه‌حل‌های بهینه برای بهبود عملکرد فرآیندها کمک می‌کنند. با استفاده از روش‌های بهینه‌سازی و شبیه‌سازی، می‌توان تا حد زیادی میزان مواد اولیه تلف شده و هزینه‌های تولید را کاهش داد. همچنین می‌توان الگوریتم‌هایی برای ارزیابی کیفیت محصولات غذایی ایجاد کرد و از اختلال در کیفیت جلوگیری کرد. در نهایت، جزئیات روش‌های مختلف درجه‌بندی محصول با استفاده از الگوریتم‌های ذکر شده و با در نظر گرفتن مزایا و معایب هر کدام در ارزیابی کیفیت محصولات باغی و کشاورزی مورد بررسی قرار می‌گیرد.

overview of fruit and vegetables quality assessment surveys using soft computing

demand for quality products has been increasing for decades and is now increasing. quality control ensures increased product production using an automated، cost-effective and non-destructive method. in the last few years، significant results have been achieved in various agricultural and food sectors. these achievements have been integrated using machine learning techniques and image analysis. furthermore، despite various machine learning applications، this research focuses on the combination of machine learning statistical technologies and machine vision systems in agriculture. in this study، two types of machine learning techniques، supervised and unsupervised learning، are used. diverse software solutions based on image processing techniques such as artificial neural networks، genetic algorithms، deep learning، and fuzzy logic have been used for the automatic detection and classification of fruits into different grades. these techniques help analyze data and provide optimal solutions to improve process performance. by using optimization and simulation methods، the amount of wasted raw materials and production costs can be greatly reduced. also، algorithms can be created to evaluate the quality of food products and prevent quality disruption. finally، the details of different product grading methods are reviewed using the mentioned algorithms، considering the advantages and disadvantages of each in the quality assessment of agricultural products.