تخمین ویژگی‌های بیوشیمیایی پرتقال خونی رقم مورو با بکارگیری فن‌آوری ماشین‌بینایی و شبکه‌های عصبی مصنوعی

امروزه، مرکبات به ویژه پرتقال نقش به سزایی در رژیم غذایی انسان‌ها دارد و ارزیابی ویژگی های کیفی آن از اهمیت ویژه ای برخوردار است. هدف از این پژوهش، بررسی و پیش‌بینی ویژگی های بیوشیمیایی پرتقال خونی با استفاده از تکنیک های پردازش تصویر و شبکه‌های عصبی مصنوعی است. در این آزمایش، ابتدا میزان ویتامین ث، محتوای قندی و مقدار ph با استفاده از روش های آزمایشگاهی مختلف به دست آمد. سپس با کمک تکنیک پردازش تصویر تعداد 108 ویژگی‌ بافتی و 57 ویژگی رنگی از تصاویر اخذ شده از نمونه های پرتقال در فضاهای رنگی cielab، rgb، hsv و hsi استخراج شد و با بهره گیری از روش شبکه‌های عصبی مصنوعی، ویژگی‌های بیوشیمیایی تخمین زده شدند. جهت ارزیابی پارامترها و انتخاب بیشترین دقت پیش‌بینی، از یک شبکه عصبی پیشخور با الگوریتم یادگیری لورنبرگ مارکوارت با تعداد نرون‌ها و توابع انتقال متفاوت در لایه‌های پنهان و خروجی استفاده شد. در نهایت، با بکارگیری بهترین نوع شبکه عصبی و با استفاده از 165 ویژگی بافتیرنگی، میزان ویتامین ث، محتوای قندی و ph، به‌ ترتیب با ضرایب همبستگی 0.950، 0.968 و 0.884 تخمین زده شدند. بنابرین، با درنظر گرفتن ضریب همبستگی مناسب، می‌توان گفت فن‌آوری ماشین بینایی و پردازش تصویر قادر است با دقت خوبی ویژگی‌های بیوشیمیایی پرتقال خونی را تخمین بزند.

Estimation of biochemical characteristics of blood orange (Citrus sinensis cv. Moro) using machine vision and ANNs

Nowadays, citrus fruits, especially oranges, is very important in the human nutrition regime, and its quality characteristics assessment is very important. This study aimed to predict some biochemical characteristics of blood orange, using machine vision and artificial neural networks. In this experiment, the amount of vitamin C content, sugar content, and acidity (pH) were obtained using destructive laboratory methods. Images of blood orange samples were captured and 108 texture features and 57 color features were extracted on CIElab, RGB, HSV, and HIS color spaces and finally, the artificial neural networks method has been used to estimate the desired properties. To evaluate and select the most optimal artificial neural network, a feedforward neural networks with LevenbergMarquardt learning algorithm, the different number of neurons, and different transfer functions in the hidden and output layers was used. Finally, using the best neural network and 165 texturalcolor features, the amount of vitamin C content, sugar content, and pH were estimated with a correlation coefficient of 0.950, 0.968, and 0.884, respectively. Therefore, considering the appropriate correlation coefficient, machine vision and image processing technology can estimate some biochemical characteristics of blood oranges accurately.