شناسایی و تخمین میزان گرانولاسیون در پرتقال رقم والنسیا با استفاده از طیف‌سنجی مادون‌قرمز نزدیک و ماشین بردار پشتیبان

پدیده کاراندام شناسی دانه سازی شدن مرکبات یکی از مسائل و مشکلات کیفی در بازارهای مصرف است و با توجه به اینکه این پدیده در محصولات کشاورزی به‌صورت چشمی قابل تشخیص نیست . یکی از روش‌های کاربردی جهت بررسی غیرمخرب بافت داخلی محصولات کشاورزی، تکنیک طیف‌سنجی مرئی و مادون‌قرمز نزدیک vis-nir است . در این مقاله ابتدا سیگنال‌های مادون‌قرمز نزدیک در طول‌موج 1100-200 نانومتر برای هر نمونه به‌صورت تماسی ثبت شد. میزان بازتاب در حالت برهم‌کنش محاسبه و بعد از نرمال‌سازی سیگنال، از روش میانگین‌گیری متحرک و ساویتسکی-گولای برای هموارسازی سیگنال استفاده شد. نهایتاً از هر طیف، 7 کمیت آماری استخراج و انتخاب شدند. پنج سطح برای پدیده گرانوله شدن شامل سطوح (شدت گرانولاسیون) a، b، c،d و e تعریف شد. میزان گرانوله شدن بر اساس میزان خشکی و شکل ظاهری ناحیه خشک شده به روش مخرب تعریف شد. از ماشین بردار پشتیبان (svm) برای تخمین محتوای رطوبتی و تشخیص سطوح گرانوله شدن پرتقال‌ها استفاده شد. بررسی سیگنال‌ها نشان داد که با توسعه گرانولاسیون در پرتقال، میزان جذب در ناحیه 400 تا 950 نانومتر به‌طور محسوسی کاهش و اختلاق شدت جذب در ناحیه 850-570 نانومتر برای طبقه های مختلف دانه سازی شدن بیشینه بود. نتایج تشخیص سطوح فرایند دانه سازی نشان داد که دقت کلی ماشین بردار پشتیبان به ازای هسته های خطی چند جمله ای و پایه شعاعی گوسی به ترتیب برابر با 92/50% ، 96/50% و 95/00% بود که به ازای svm با هسته چندجمله‌ای حساسیت این طبقه بند در تشخیص سطوح مختلف دانه سازی شدن برای شدت a,b.c.d وe به ترتیب برابر با 98.0%، 91.40%، 97.30%، 96.80% و 95.70% بود.

identification and estimation of granulation level in valencia orange using spectroscopy and support vector machine

physiological disorder of citrus granulation is one of the qualitative issues and problems in consumer markets and the phenomenon of granulation in agricultural products is not visually detectable، so the detection of this disorder on a large scale requires the use of precise and rapid techniques. one of the applicable methods for non-destructive examination of internal tissue of agricultural products is visible and near-infrared spectroscopy technique، which was used in this research with vis-nir method and artificial intelligence for the detection of granulation in oranges. in this research، 200 samples of valencia oranges were prepared، then، vis/nir signals in the wavelength range of 200-1100 nanometers were recorded for each sample. spectroscopy was performed on the samples with contact then، the amount of reflectance was calculated in the interaction mode، and absorption spectra were normalized using the min-max method. subsequently، the recorded spectra were smoothed by the moving average (ma) method، and the stavisky-golay algorithm was applied to each spectrum، and finally، 7 statistical features were extracted from each spectrum. in this research، five levels of granulation phenomenon، including levels a، b، c، d، and e were examined. the degree of granulation of each sample was defined based on the dryness and appearance of the dried area using a destructive method. support vector regression (svr) and support vector machine (svm) were used to estimate the moisture content of oranges and to detect the levels of granulation in oranges، respectively. with the change in the levels of granulation، the changes in weight and moisture content of oranges were significant، so that with an increase in the level of granulation in oranges، the weight of samples and their moisture content decreased. also، the examination of vis-nir spectra showed that with the development of granulation in oranges، the absorption in the 400-950 nanometer range significantly decreased، and the difference in absorption intensity for different levels of granulation was maximum in the 570-850 nanometer range. the results of granulation level detection showed that the highest accuracy was observed for svm with polynomial kernels، with a sensitivity of 98%، 91%، 97%، 96%، and 95% for levels a، b، c، d، and e of granulation، respectively.