طیف‌سنجی مرئی و مادون قرمز نزدیک برای تعیین حجم آب میوه انار

میوه انار یکی از محصولات باغی مهم در ایران است که علاوه بر ارزش بالای اقتصادی تجاری از فواید غذایی فراوانی برخوردار است. به دلیل عدم توسعه مناسب صنعت فرآوری این محصول، کارخانه ها از روش های کاملاً سنتی و محدود در سنجش کیفیت انار استفاده می کنند که باعث کاهش مرغوبیت کالای تولیدی می شود. در این پژوهش استفاده از فناوری غیر مخرب طیف سنجی مرئی مادون قرمز نزدیک برای تعیین حجم آب میوه انار که از ویژگی های اساسی کیفیت این محصول است مورد بررسی قرار گرفت. داده های طیفی نمونه ها حاصل از اعمال امواج در دامنه 400 تا 2500 نانومتر علاوه بر ارزیابی در حالت پردازش نشده، به پنج روش تصحیح پراکندگی ضربی، متغیر نرمال استاندارد (snv)، نرمال سازی بردار، مشتق اول و دوم پیش پردازش شدند و مورد ارزیابی قرار گرفتند. سپس به منظور تخمین حجم آب از رگرسیون حداقل مربعات جزئی (plsr) استفاده شد. پیاده سازی این فرآیند ها در قالب الگوریتم های یادگیری ماشین و با استفاده از نرم افزار python 3.8  صورت گرفت. برای ایجاد مدل ها، تعداد مولفه های اصلی مرتبط با ویژگی های استخراج شده از امضای طیفی به تعداد 36، کمترین خطا را (18.61) حاصل نمود. نتایج نشان داد که این روش با ضریب تبیین 94 درصد، میانگین خطای مطلق 5.3 و ضریب توافق 0.98 مقدار آب میوه انار را تخمین زد. این نتیجه از ترکیب پیش پردازش snv با رگرسیون plsr  در بازه 400 تا 2500 نانومتر حاصل شد. علیرغم تاثیر نوع پیش پردازش داده ها در تخمین میزان آب انار، طیف سنجی مرئی مادون قرمز نزدیک شرایط لازم برای تخمین آب انار را دارا هست.

visible and near infrared spectroscopy for determining pomegranate juice volume

pomegranate fruit is one of the essential garden products in iran, which, in addition to its high economic commercial value, has many nutritional benefits. due to the lack of appropriate development of the industry in the processing sector for this product, factories use completely traditional and limited methods for measuring the quality of pomegranate, which reduces the quality of the processed product. in the present study, the feasibility of visible and near infrared (vis/nir) spectroscopy as non destructive technology was used to determine the pomegranate fruit juice volume, which is one of the crucial quality attributes of the product. spectral data of the samples obtained by applying waves in the range of 400 to 2500 nm, were evaluated by five methods including multiplicative scatter correlation, standard normal variate (snv), vector normalization, first derivative, second derivative, as well as non processed state. then partial least square regression (plsr) was used to estimate the juice volume. these processes were implemented according to machine learning algorithms using python 3.8 software. lowest modeling error (18.61) was achieved with 36 principal components of extracted features from spectral signature. the results showed that this method estimated the amount of pomegranate juice with a coefficient of determination of 94 %, mean absolute error of 5.3 and distance of 0.98. this outcome resulted from combination of snv preprocessing with plsr regression in the range of 400 to 2500 nm. in spite of the effect of preprocessing for juice volume estimation, vis nir spectroscopy possess desired condition for estimation of pomegranate juice volume.