مدل سازی هوشمند بافت نان به کمک روش اندازه گیری صوت و شبکه عصبی (مطالعه موردی: نان غنی شده با چیا)

هدف از پژوهش حاضر مد‌سازی هوشمند بافت نان به روش غیر مخرب صوتی مکانیکی می‌باشد. بدین منظور بافت نان غنی شده با 3 درصد مختلف چیا اصلاح‌شده (2.5، 5، 7.5 درصد) توسط دستگاه بافت‌سنج با سرعت آزمون 3 میلی‌متر در ثانیه تا 30 درصد فشردگی و در شرایطی که میکروفون در فاصله 5 سانتی‌متری از نمونه‌ها و در زاویه 45 درجه نسبت به افق قرار داشت مورد ارزیابی قرار گرفت. از صدای ذخیره شده در خلال بارگذاری ویژگی‌های میانگین شدت صوت، بیشترین مقدار صدا، واریانس، انحراف معیار، میانگین جذر قدر مطلق، جذر میانگین مربعات، چولگی، چقرمگی، ممان پنجم، ممان ششم، انرژی، آنتروپی در حوزه زمان، آنتروپی طیفی و فرکانس طبیعی در حوزه فرکانس استخراج شدند. بعد از انتخاب مناسب‌ترین ویژگی‌ها (بیشترین مقدار صدا، واریانس، انحراف معیار، میانگین جذر قدر مطلق سیگنال، انرژی، آنتروپی و فرکانس طبیعی) بر اساس آنالیز آماری، شبکه عصبی مصنوعی با 3 الگوریتم (لونبرگ مارکوارت، شیب توام مقیاس شده، سرعت یادگیری متغیر) با 7 نرون در لایه ورودی (متناسب با ویژگی‌های انتخاب شده) و 3 نرون در لایه خروجی (سفتی، چسبندگی، قابلیت جویدن) آموزش و مورد آزمون قرار گرفت. بر اساس نتایج مشخص گردید که خطای آموزش در الگوریتم لونبرگ مارکوارت نسبت به سایر الگوریتم‌ها کمتر بود و خطای جذر میانگین مربعات مرحله آزمون این الگوریتم به ترتیب برای پیش‌گویی سفتی، قابلیت جویدن و چسبندگی 0.14، 0.23 و 0.33 بدست آمد که نشان از توانایی روش پیشنهادی در پیش‌گویی کیفیت نان دارد.

Intelligent Modeling of Bread texture Acoustic Measurement Method and Artificial Neural Network (Case Study: Enriched Bread with Chia)

The purpose of this study is to model the bread texture by acoustical mechanical method, non destructively. To do so, bread texture enriched with 3 different levels of modified chia (2.5%, 5% and 7.5%) was evaluated by texture analyzer at a test speed of 3 mm. s1 to 30% compression, while the microphone was located at 5 cm from the samples at a 45° angle to the horizon. From the sound recorded during loading mean sound intensity, maximum of sound, variance, standard deviation, root mean absolute value, root mean square value, skewness, kurtosis, fifth moment, sixth moment, energy, entropy in time domain, and spectral entropy and natural frequency in the frequency domain were extracted. After selecting the most suitable features (maximum sound, variance, standard deviation, root mean absolute value, energy, entropy and natural frequency), based on statistical analysis, artificial neural network with 3 algorithms ( Marquardt, scaled conjugate gradient, gradient descent) was trained and tested with 7 neurons in the input layer (in accordance with the selected features) and 3 neurons in the output layer (hardness, gumminess, chewiness). Based on the results, the training error in the Levenberg Marquardt algorithm was lower than the other algorithms, and the root mean squared error of the test stage of this algorithm to predict hardness, gumminess and chewiness were 0.14, 0.23, and 0.33, respectively. This shows the ability of the proposed method in predicting the quality of bread.