درجه‌بندی بصری گوجه‌فرنگی گیلاسی پوشش‌دار شده با ژل آلوئه‌ورا حاوی روغن شاهدانه با روش‌های تجزیه و تحلیل مولفه‌های اصلی، شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی فازی

در پژوهش حاضر، در قدم اول تاثیر پوشش ژل آلوئه ورا (75 درصد حجمی/حجمی) حاوی غلظت های مختلف از روغن شاهدانه (15 درصد حجمی/حجمی) بر برخی از ویژگی های فیزیکی و شیمیایی گوجه فرنگی گیلاسی حین دوره نگهداری در دمای محیط بررسی گردید. نتایج به دست آمده حاکی از توانایی روغن شاهدانه جهت بهبود ویژگی های فیزیکی و شیمیایی گوجه فرنگی گیلاسی حین دوره نگهداری می باشد هرچند اختلاف معنی داری بین سطوح 3 و 5 درصد مشاهده نگردید (0.05p>). تغییر شیب در روند تغییرات شاخص رسیدگی برای نمونه پوشش دار شده با ژل آلوئه ورا 75 درصد در روز 12 و برای نمونه پوشش دار شده با ژل آلوئه ورا 75 درصد حاوی 3 درصد روغن شاهدانه در روز 16 رخ داد. با استفاده از یک سامانه پردازش تصویر نیز تغییرات نمونه های پوشش دار شده بر اساس خصیصه های رنگی و بافت حاصل از تصویر بررسی و به روش های مختلف درجه بندی شدند. نتایج حاکی از آن است که روش های تجزیه و تحلیل مولفه های اصلی و شبکه عصبی مصنوعی توانستد گوجه فرنگی گیلاسی را به دو درجه سالم و معیوب تقسیم نماید که روش شبکه عصبی مصنوعی با کمک خصیصه های بافتی نمونه ها را با صحت بالاتری درجه بندی نمود (97.41 درصد). روش انفیس نسبت به دو روش دیگر قدرت تشخیصی بالاتری داشت و توانست با صحت درجه بندی معادل 98.96 درصد نمونه ها را به سه درجه سالم، درجه دو و غیرقابل مصرف درجه بندی نماید.

Visual grading of cherry tomatoes coated with aloe vera gel containing hemp seed oil using principal component analysis, artificial neural network and adaptive neurofuzzy inference system methods

In the present study, in the first step, the effect of Aloe vera gel (75% v/v) coating containing different concentrations of hemp seed oil (15% v/v) on some physicochemical properties of cherry tomatoes during storage at room temperature was investigated. The results revealed the ability of hemp seed oil to improve the physicochemical properties of cherry tomatoes during storage, although no significant difference was observed between 3 and 5% levels of hemp seed oil (p> 0.05). Slope change in the ripening index trend occurred for A. vera gel (75% v/v) coated sample on day 12 and for A. vera gel containing 3% hemp seed oil coated sample on day 16. Using an image processing system, the changes of the coated samples were evaluated based on the color statistical and color texture features extracted from the images and were graded through different procedures. The results showed that the principal component analysis (PCA) and artificial neural network (ANN) methods were able to divide the cherry tomatoes into intact and blemished grades which the ANN method was graded samples using color texture features with higher accuracy (97.41%). The adaptive neurofuzzy inference system (ANFIS) method had higher diagnostic power than the other two methods and was able to grade the samples into three grades including intact, grade 2 and unusable with accuracy of 98.96%.