بررسی تاثیر پوشش‌دهی با صمغ فارسی حاوی روغن شاهدانه بر تغییرات جرم و حجم انگور با استفاده از سیستم‌های بینایی ماشین و یادگیری ماشین

در این پژوهش تاثیر پوشش خوراکی صمغ فارسی (0، 1.5 و 3 درصد) حاوی روغن شاهدانه (0، 0.075 و 0.15 درصد) بر تغییرات جرم و حجم طی نگهداری در دمای 4 درجه سلسیوس به مدت 28 روز بررسی گردید. سیستم بینایی ماشین به همراه انواع روش های یادگیری ماشین برای استخراج تصویر انگور از تصویر و تخمین جرم و حجم بر اساس خصیصه های تصویر (طول، عرض، ارتفاع و سطح) استفاده شد. برای پیش بینی جرم و حجم حبه انگور 4 مدل یادگیری ماشین شامل رگرسیون خطی (lr)، شبکه عصبی مصنوعی (ann)، ماشین بردار پشتیبان بر پایه تابع شعاعی (rbf-svr) و ماشین بردار پشتیبان بر پایه تابع خطی (lbf-svr) توسعه یافت. به منظور بررسی کارایی مدل های توسعه یافته داده های تخمین جرم و حجم انگور با داده های تجربی مقایسه گردید. جرم و حجم طی نگهداری در کل تیمارها کاهش یافت. از طرفی تغییرات جرم و حجم با افزایش غلظت صمغ فارسی و روغن شاهدانه کاهش یافت. بر اساس نتایج ارزیابی مدل، عملکرد پیش بینی مدل rbf-svr در مقایسه با مدل های lr، ann و lbf-svr دقیق تر بود و توانست جرم و حجم را به ترتیب با ضریب تبیین 0.998 و 0.989 تخمین بزند که نشان دهنده همبستگی خوب بین نتایج واقعی و پیش بینی است. این نتایج تائید می نماید که مدل svr ابزاری قابل قبول در تخمین جرم و حجم انگور پوشش دار شده طی نگهداری در دمای سردخانه است.

Evaluation the Effect of Farsi Gum Containing Hemp seed oil Coating on Mass and Volume Changes of Grape using Machine Vision and Machine Learning Systems

In this study, the effects of Farsi gum (0, 1.5% and 3%) coating containing hemp seed oil (0, 0.075% and 0.15%) on mass and volume changes of grape were investigated during storage at 4°C for 28 days. Machine vision system with learning machine methods was used to detect coated grapes from an image and estimate their mass and volume based on the image features (length, width, height and area). Four machine learning models, including linear regression (LR), artificial neural networks (ANN), radial basis function support vector regression (RBF-SVR) and Linear basis function support vector regression (LBF-SVR) were developed to predict the mass and volume of the single grape. The estimated grape mass and volume by these methods was compared statistically with actual values. The mass and volume in all treatments showed a decreasing pattern during the cold storage. The results indicated that mass and volume change decrease with Farsi gum and hemp seed oil increasing. Furthermore, according to the model evaluation results, the prediction performance of RBF-SVR model had achieved better predictive accuracy compared with the results of LR, ANN and LBF-SVR models, with R2 of 0.998 and 0.989 for mass and volume estimation, respectively, which also showed a good agreement between actual and predicted values. These results revealed that SVR model was a promising tool for estimating the mass and volume of grape during storage.