پیش بینی سفتی میوه سیب در طول دوره انبار داری با استفاده از شبکه های عصبی مصنوعی

چکیده: سفتی میوه یکی از مهم ترین پارامترهای کیفی میوه ها می باشد که از آن می توان در مواردی همچون آگاهی از میزان رسیدگی میوه، تخمین مدت زمان مناسب برای انبار داری و ایجاد شرایط بهینه حمل و نقل استفاده کرد که امروزه آزمون های غیر مخرب برای اندازه گیری آن متداول شده است که با استفاده از این آزمون ها امکان پیش بینی دقیق پارامتر های کیفی پس از برداشت محصولات کشاورزی محقق شده است. از جمله آزمون های غیر مخرب که برای اندازه گیری سفتی میوه ها جنبه عملی پیدا کرده است روش پاسخ آکوستیک می باشد. در تحقیق حاضر روش پاسخ آکوستیک برای اندازه گیری سفتی چهار رقم سیب (گلدن دلیشز، رد دلیشز، جاناگلد و پاپیروکا (کاغذی)) در طول دوره انبار داری بکار گرفته شد. سیب ها در سه تاریخ برداشت مختلف و با تفکیک به سه گرو وزنی کوچک، متوسط و بزرگ و بعد از آزمون سفتی سنجی اولیه به سردخانه با دمای 1 درجه سانتی گراد و رطوبت نسبی 80 درصد منتقل شدند. آزمون سفتی سنجی هر 20 روز یک بار در مدت 3 ماه دوره انبار داری برای میوه ها صورت گرفت. نتایج این آزمون ها نشان داد که روند تغییرات سفتی سیب های هر سه گروه های وزنی با هم متفاوت می باشد و بیشترین تغییرات سفتی برای گروه وزنی بزرگ و کمترین تغییرات نیز مربوط به گروه وزنی کوچک است. همچنین روند تغییرات سفتی رقم های مختلف متفاوت بوده و اثر تاریخ برداشت های مختلف نیز بر روی روند تغییرات سفتی بعضی از رقم ها متفاوت می باشد. به طوری که برداشت زود هنگام باعث افزایش سرعت کاهش سفتی آکوستیک در طول دوره انبار داری برای رقم های جاناگلد و پاپیروکا (کاغذی) شده و برای دو رقم رد و گلدن دلیشز اثر معنا داری ندارد. از شبکه های عصبی مصنوعی برای پیش بینی سفتی آکوستیک سیب ها در طول دوره انبار داری استفاده گردید. ورودی ها شامل تاریخ برداشت، جرم سیب ها، زمان انبار داری، رقم و فرکانس تشدید اول سیب ها و خروجی شبکه نیز سفتی آکوستیک می باشد. برای طراحی شبکه بهینه از شبکه های پیش خور با دو الگوریتم یادگیری لونبرگ- مارکوارت و تنظیم بیزی با ساختار ها و توابع فعال سازی مختلف استفاده شده است. از بین شبکه های تست شده شبکه عصبی با ساختار 1-10-5 و الگوریتم یادگیری لونبرگ- مارکورات و توابع فعال سازی تانژانت هایپر بولیک و خطی بین لایه ها، با ضریب تبیین (9979/0 r2=) به عنوان شبکه بهینه انتخاب شد.