امروزه افزایش جمعیت و محدودیت منابع طبیعی باعث ایجاد یک مشکل جهانی به نام بحران غذا شده است و مسئولین اصلی امر تغذیه یعنی کشاورزان را بر آن داشته است تا برای جبران این کمبود به سمت کشاورزی مکانیزه با استفاده از تکنولوژی های جدید حرکت نمایند. یکی از این تکنولوژی ها استفاده از بینایی ماشین است. در این پژوهش به بررسی بینایی ماشین برای شناسایی دو نمونه از محصولات کشاورزی یعنی کاهو و کلم پرداخته می شود و با استفاده از روش جدید آستانه گذاری پوسته ای برای شناسایی رنگ اقدام می شود. این روش با در نظر گرفتن میزان روشنایی پیکسل به شناسایی رنگ اقدام می کند و بنابراین می توان از آن برای شناسایی در شرایطی مانند مزرعه که دارای تغییر روشنایی در تصویر است، استفاده نمود. با توجه به رنگ کلم با دقت مطلوبی از این روش برای شناسایی استفاده گردید و برای شناسایی کاهو با تلفیق این روش و خصوصیات شکلی مستقل از اندازه، کاهو از دیگر اجزای تصویر جدا گردید. نتایج نشان داد که شناسایی کلم با استفاده از روش آستانه گذاری پوسته ای با دقتی برابر با 26/85 درصد قابل انجام است. هم چنین تلفیق این روش با خصوصیات شکلی مستقل از اندازه برای شناسایی کاهو باعث 67/66 درصد در پارامتر دقت شناسایی گردید.

استفاده از ماشین بینایی و پردازش تصویر به عنوان یک روش غیر مخرب و سریع می‏تواند در بررسی عیوب ظاهری محصولات کشاورزی بالاخص سیب زمینی نقش موثری را ایفا نماید. در این پژوهش سعی شده است با آنالیزهای شکلی تصاویر سیب زمینی طول، عرض، محیط، مساحت، طول بزرگترین محور، طول کوچکترین محور و جهت گیری تعیین و با آنالیزهای رنگی رابطه ای برای تعیین سطح سبزشدگی به دست آورده شود. پردازش تصاویر توسط تابع اندازهگیری در متلب توانست با دقت 99% اندازهها را با کولیس مطابقت دهد. نتایج آنالیز رنگ تصاویر نشان داد استفاده از الگوریتم ابداعی می تواند سبز شدگی سیب زمینی را با دقت 88% تعیین کند.

در این پژوهش با استفاده از تصاویر گرفته شده در دو طیف مرئی و مادون قرمز به بررسی تغییرات رنگ و دمای دو بافت سالم و لهیده سیب و تشخیص لهیدگی پرداخته شده است. پس از شبیه سازی لهیدگی در سه ناحیه از سیب شامل ناحیه تحتانی، میانی و فوقانی، و سه سطح انرژی 700،200 و1200 میلی ژول، تصویربرداری گرمایی در دو بخش صورت گرفت. بخش اول شامل دو گروه 5 تایی که یک گروه آن نمونه های با عمر لهیدگی 24 ساعت و گروه دیگر نمونه هایی با عمر لهیدگی بیشتر به طوری که بافت لهیده به حالت چوب پنبه ای درآمده بود . بخش دوم تصویربرداری مرئی و گرمایی، به صورت هم زمان از 45 نمونه در 19 مرحله در شرایط آزمایشگاهی کنترل شده انجام شد. تصویربرداری مرئی و گرمایی از نمونه ها در 19 مرحله صورت گرفت. در آخرین مرحله پس از تصویربرداری گرمایی از هر نمونه ، محل لهیدگی برش زده شد و عمق لهیدگی اندازه گیری شد. متغیرهای مستقل در این طرح شامل: سه ناحیه سیب،سه سطح انرژی و سه سطح زمان و فاکتورهای وابسته شامل شاخص زردی(eyi=1.5r+b- 1.5g )، دما، عمق لهیدگی و مساحت ناحیه لهیده است. نتایج تحقیق نشان داد اثر زمان و سطح سیب و اثر متقابل انرژی در سطح سیب بر روی شاخص زردی در سطح احتمال 5 % معنی دار می باشد. بررسی نتایج حاصل از تغییرات دما در نمونه های با عمر لهیدگی 24 ساعت حاکی از خنک تر بودن بافت لهیده به میزان 9/1-73/0 درجه سانتی گراد و در نمونه هایی که بافت لهیده به صورت چوب پنبه ای درآمده بود بافت لهیده به میزان 12/4 -59/0 درجه سانتی گراد گرم تر می باشد. به منظور بررسی روند تغییرات دما در بافت لهیده در طول زمان از آزمونt زوجی استفاده شد. تا 48 ساعت پس از لهیدگی بافت لهیده خنک تر از بافت سالم ، از 56 تا 96 ساعت اختلاف معنی داری بین دمای بافت سالم و لهیده مشاهده نشد و از 96 ساعت به بعد بافت لهیده گرم تر از بافت سالم می شود. رابطه بین عمق لهیدگی و دمای مشاهده شده در سطح ناحیه لهیده با استفاده از مدل رگرسیونی چندگانه بررسی شد. نتایج آنالیز واریانس نشان داد که در سطح خطای 1 % فاکتور انرژی و اثر متقابل انرژی و ناحیه سیب بر روی دما معنی دار است. ضریب تبیین تعدیل یافته این مدل برابر با 5/90 درصد به دست آمد که نشان دهنده مناسب بودن مدل است. تحلیل باقیمانده ها نیز کفایت مدل پیشنهادی را مورد تأیید قرارداد. نتایج حاصل از مدل رگرسیون نشان داد که برای پیش بینی عمق لهیدگی در نواحی مختلف می توان از دمای هر ناحیه استفاده نمود. نتایج حاصل از تشخیص لهیدگی در 48 ساعت پس از لهیدگی با استفاده از ویژگی رنگی2*g-(1/6)*b در ناحیه میانی و g در ناحیه تحتانی و فوقانی نشان داد که دقت تشخیص در ناحیه میانی و فوقانی سیب برابر با 100 % ، و در ناحیه تحتانی برابر با 33/93 % است. نتایج حاصل از بررسی اثر ناحیه سیب و انرژی بر روی مساحت ناحیه لهیده شده نشان داد که اثر ناحیه در سطح خطای 5 % و اثر انرژی د ر سطح خطای 1 % بر روی مساحت لهیدگی معنی دار است.

یکی از پارامترهای موثر در آنالیز طراحی و بهینه سازی خشک کن ها، پیش بینی و مدل کردن فرآیند خشک کردن می باشد. شبکه های عصبی مصنوعی قدرت تأمین دقت و سرعت لازم برای پیش بینی فرآیند خشک کردن را دارند. از این رو در این تحقیق به بررسی فرآیند سینتیک خشک کردن، مدل سازی با شبکه عصبی مصنوعی، بدست آوردن ضریب انتشار رطوبتی موثر، تعیین بهترین مدل ریاضی، بدست آوردن انرژی فعال سازی برای خرما رقم مضافتی در خشک کن کابینتی پرداخته شد. آزمایش های خشک شدن در سه سطح دمایی 50، 65 و 80 درجه سلسیوس و سه سطح سرعت جریان هوا 1، 5/1 و 2 متر بر ثانیه انجام شد. تأثیر دما و سرعت هوا بر پارامترهای زمان، چروکیدگی و تغییر رنگ خرما در قالب آزمایش های فاکتوریل در پایه طرح کاملاً تصادفی بررسی شد. نتایج بدست آمده نشان داد که اثر دما و سرعت هوا بر فرآیند خشک شدن و تغییر رنگ خرما معنی دار می باشد. به طور متوسط افزایش دما از 50 به 80 درجه سلسیوس 77/70% زمان خشک شدن را کاهش داد و دمای 65 درجه از نظر پارامتر های رنگ سنجی دمای مناسب مشاهده شد. برای فرآیند مدل سازی ریاضی 8 مدل تجربی بر داده های آزمایشگاهی برازش داده شد سپس با توجه به بزرگ ترین مقدار ضریب تعیین (r2)، کمترین مقدار مربع کای (?2) و ریشه میانگین مربعات خطا (rmse) بهترین مدل ریاضی با دقت بالا انتخاب شد. نتایج حاصل از تحلیل رگرسیونی مدل های مورد بررسی، نشان داد که مدل پیج بهترین برازش را با داده های بدست آمده دارد. همچنین کمترین ضریب نفوذ رطوبتی موثر 10-10×309/4 در دمای 50 درجه سلسیوس و بیشترین مقدار 9-10×889/1 در دمای 80 درجه سلسیوس بدست آمد. مقدار انرژی فعال سازی بدست آمده در خشک کردن خرمای مضافتی از 21/31 تا 27/42 کیلو ژول بر مول مشاهده شد. برای پیش بینی نسبت رطوبت در طی فرآیند خشک شدن، شبکه عصبی مصنوعی با چهار نرون در لایه ورودی (زمان خشک شدن، سرعت هوای گرم، رطوبت نسبی هوا و دمای خشک کن) و یک نرون در لایه خروجی (نسبت رطوبت) طراحی شد. تعداد 280 الگوی داده برای ساخت شبکه عصبی به دو سری داده های آموزش و آزمون تقسیم شدند. در این طرح از وارسی اعتبار (cross validation) برای تعلیم و آزمون شبکه استفاده شد. برای کاهش خطای انتخاب داده ها، در حدود هشتاد درصد داده ها (224) الگو به صورت تکرارشونده صرف آموزش و مابقی (56) الگو برای آزمون و ارزیابی شبکه بکار گرفته شد. در طی فرآیند یادگیری، میزان فراگیری شبکه توسط معیارهای خطایی مرتباً سنجیده و درنهایت شبکه ای مورد پذیرش قرار گرفت که دارای کمترین خطا بود. شبکه های پس انتشار پیشخور(ffbp) و پس انتشار پیشرو (cfbp) با توابع آستانه سیگموئیدی و خطی مورد استفاده قرار گرفتند. نتایج ارزیابی توپولوژی های مختلف نشان داد که بهترین شرایط مربوط به شبکه (ffbp) با توپولوژی 1-8-7-4، تابع آستانه تانژانت هایپربولیک سیگموئید (tansig) و الگوریتم یادگیری لونبرگ-مارکوارت(lm) می باشد. زیرا در بین تمامی شبکه ها داری کمترین میزان میانگین مربع خطا(mse) 0011/0 ، میانگین خطای مطلق(mae) 0361/0 و بیشترین ضریب همبستگی(r) 9939/0 است.