پیش‌بینی برخی خواص کیفی ارقام مختلف برنج سفید با استفاده از فناوری پردازش تصویر

برنج یکی از رایج‌ترین و پرمصرف‌ترین مواد غذایی در جهان است. خواص کیفی ازجمله عوامل بسیار مهم در تعیین ویژگی‌های پخت و فرآوری برنج محسوب می‌شوند. یکی از مشکلات مهم در صنایع غذایی پیش‌بینی خواص کیفی می‌باشد. بنابراین در این مطالعه، امکان پیش‌بینی میزان آمیلوز (ac)، درجه حرارت ژلاتینه شدن (gt)، قوام ژل (gc)، میزان پروتئین (pc)، حداقل چسبندگی (mv)، حداکثر چسبندگی (pv)، چسبندگی نهایی (fv)، فروریختگی چسبندگی (bdv) و پس‌روی چسبندگی (sbv) از 100 نمونه تک‌دانه‌ برنج ارقام هاشمی، خزر و درفک با استفاده از فناوری پردازش تصویر در سه شرایط نورپردازی شامل نوردهی مستقیم با لامپ led، نوردهی مستقیم با لامپ‌های led و فلورسنت و نوردهی به‌صورت ضد نور انجام گردید. مدل‌های کالیبراسیون توسط رگرسیون خطی چند متغیره با حداقل مربعات جزئی (pls) توسعه داده شد. مقادیر ضرایب تعیین کالیبراسیون متغیرهای ac، gt، gc، pc، mv، pv، fv، bdv و sbv در رقم هاشمی، خزر و درفک برای تمام تیمارها به ترتیب معادل 89/0 r2cal ≥، 95/0 r2cal ≥، 92/0 r2cal ≥ و ضرایب پیش‌بینی به ترتیب با 88/0 r2pre ≥، 94/0 r2pre ≥، 90/0 r2pre ≥ به دست آمد. نتایج رگرسیون pls نشان داد که متغیرهای مستخرج از ویژگی‌های شکل و اندازه و متغیرهای رنگی r، g، b، l، a و b حاصل از پردازش تصویر می‌توانند پارامترهای کیفی برنج را با دقت قابل‌ملاحظه‌ای پیش‌بینی نمایند. درنتیجه می‌توان با استفاده از فناوری پردازش تصویر با هزینه کمتر و غیر مخرب برخی خواص کیفی برنج را با دقت خوبی پیش‌بینی کرد.

Predicting Some Quality Properties of Different White Rice Varieties by Image Processing Technology

Rice is one of the most common and most consumed foods in the world. Quality properties are among the most important factors in determining the cooking and processing characteristics of rice. One of the major problems in the food industry is predicting quality properties. Therefore, in this study, it is possible to predict amylose content (AC), gelatinization temperature (GT), gel consistency (GC), protein content (PC), minimum viscosity (MV), peak viscosity (PV), final viscosity (FV), breakdown viscosity (BDV) and setback viscosity (SBV) of 100 single grain rice samples of Hashemi, Khazar and Dorefak using image processing technology in three exposure treatments including high exposure with LED lamp, high exposure with LED lamp and fluorescent and Antilight exposure. Calibration models were developed by multivariate linear least squares (PLS) regression. Calibration coefficients of calibration coefficients of variables AC, GT, GC, PC, MV, PV, FV, BDV and SBV in Hashemi, Khazar and Darfak varieties for all treatments were R2cal ≥ 0.89, R2cal ≥ 0.95, and R2cal ≥ 0.92 respectively. prediction coefficients were obtained with R2pre ≥ 0.88, R2pre ≥ 0.94 and R2pre ≥ 0.90, respectively. The results of PLS regression showed that the variables derived from the shape and size characteristics and color variables R,, G, B, L, a and b of image processing were able to predict the rice quality parameters with good accuracy. As a result, using lowcost, nondestructive image processing technology can predict some of the qualitative properties of rice.