مدل سازی و بهینه سازی فرایند خشک کردن انگور به کمک بینایی ماشین و شبکه های عصبی مصنوعی

با توجه به معایب روش سنتی خشک کردن انگور، خشک کردن با جریان هوای گرم برای تولید صنعتی کشمش می تواند جایگزین روش سنتی شود. ولی بدلیل زمان بر بودن، کاهش کیفیت محصول، مصرف بالای انرژی و جلوگیری از بیش خشک کنی در این خشک کن ها، مدل سازی و بهینه سازی فرآیند خشک کردن در این خشک کن ها ضروری است. در این پژوهش از بینایی ماشین برای اندازه گیری پارامترهایی که در طول فرآیند خشک کردن انگور تغییر می کنند (چروکیدگی و رنگ)، استفاده شده است. آزمایش های خشک کردن محصول در سه سطح دمایی (50، 60 و70 درجه سلسیوس) و سه سطح سرعت جریان هوای (8/0، 4/1 و 2 متر بر ثانیه) انجام شد. برای مدل سازی سینتیک تغییرات محتوای رطوبتی از 5 مدل ریاضی وابسته به زمان (لوویس، پیج، هندرسون و پابیس، وانگ و سینگ، و میدلی و همکاران)، مدل های رابطه ای چروکیدگی و پارامترهای رنگ در فضای rgb با تغییرات محتوای رطوبتی و همچنین 9 مدل شبکه عصبی با ورودی های مختلف و خروجی تغییرات محتوای رطوبتی استفاده شد. همچنین از مدل های مرتبه صفر و اول ریاضی و 5 مدل شبکه عصبی با ورودی های مختلف و خروجی پارامترهای رنگ l، a، b، h و s برای مدل سازی سینتیک تغییرات رنگ استفاده شد. برای تنظیم وزن ها و بایاس های اولیه شبکه عصبی برای رسیدن به آموزش مناسب برای هر ساختار شبکه عصبی و همچنین برای بهینه سازی فرآیند خشک کردن از الگوریتم ژنتیک استفاده شد. از الگوریتم آموزش لونبرگ- مارکورات و تابع آستانه تانژانت سیگموئید برای آموزش شبکه ها استفاده شد. نتایج نشان داد الگوریتم پردازش تصویر طراحی شده قادر است به خوبی عمل بخش-بندی را انجام دهد. همچنین بینایی ماشین توانایی اندازه گیری تغییرات رنگ l (99/0r2=)، a (994/0r2=) و b (994/0r2=) را دارد. نتایج حاصل نشان داد که مدل میدلی و همکاران با خطای 00001/0 و ضرایب تعیین 999/0 و بالاتر نسبت به بقیه مدل های ریاضی از دقت بالاتری برخوردار است. همچنین تغییرات محتوای رطوبتی رابطه خطی با دقت به ترتیب 98/0، 977/0، 976/0 و 957/0 با چروکیدگی سطحی و پارامترهای رنگ r، gو b دارد. شبکه عصبی با ورودی های دما، سرعت، چروکیدگی و زمان با ساختار 1-13-4 و با دقت 9998/0r2= و خطای 5-e1mse= نسبت به بقیه مدل ها از دقت بالاتری برخوردار است. همچنین نتایج نشان داد که شبکه های عصبی نسبت به مدل های ریاضی مرتبه صفر و اول از دقت بالاتری برای مدل سازی پارامترهای رنگ برخوردار است. از میان شبکه های عصبی، شبکه با ورودی های دما، سرعت، تغییرات محتوای رطوبتی و زمان با ساختار 5-12-12-4 و با دقت 9985/0r2= و خطای 0551/0mse= نسبت به بقیه مدل ها از دقت بالاتری برخوردار است. نتایج بهینه سازی نشان داد که بهترین شرایط برای خشک کردن، دمای °c 65 و سرعت m/s 2 است. تحت این شرایط خشک کردن و با در نظر گرفتن سهم برابر انرژی و کیفیت در معادله بهینه سازی، زمان لازم و انرژی مصرفی برای رسیدن به محتوای رطوبتی 16/0 بر پایه خشک به ترتیب 8/14 ساعت و 46/87 کیلو ژول حاصل شد. همچنین مقادیر پارامترهای کیفی l، a، b، h و s به ترتیب 21/69، 66/4، 02/15، 21/77 و 25/14 حاصل شد.