شیر و فرآورده های لبنی به عنوان یک منبع پروتئین غنی دامی و با ارزش غذایی بالا، جایگاه ویژه ای در تغذیه انسان دارند. مهمترین نگرانی در محصولات لبنی به سلامت و کیفیت آن ها مربوط می شود. با توجه به اهمیت موضوع هدف از این تحقیق استفاده از تکنیک های غیر مخرب پردازش تصویر دیجیتال و شبکه عصبی مصنوعی به منظور ارزیابی کیفیت شیر فرا دما بود. برای انجام این پژوهش 110 پاکت شیر uht به مدت شش ماه توسط انکوباتور در دمای ثابت c?25 ذخیره شده و در طی این مدت مورد آزمایش قرار گرفتند. عامل های مورد نظر زمان نگهداری (11سطح)، حجم نمونه (سه سطح) و شدت روشنایی نور (دو سطح) بودند که به صورت آزمایش فاکتوریل در قالب طرح کامل تصادفی با ده تکرار آزمایش شدند. تجزیه و تحلیل داده ها با نرم افزارهای آماری انجام شد. به منظور عکس برداری از نمونه های شیر از اتاقک نور با نور پردازی ویژه و برای پردازش تصاویر بدست آمده از جعبه ابزار پردازش تصویر نرم افزار متلب استفاده شد. میزان تازگی شیر به عنوان متغیر وابسته در این پژوهش، با استخراج ویژگی های رنگ و بافت تصاویر گرفته شده مورد بررسی قرار گرفت. در این راستا میانگین شدت رنگ به عنوان ویژگی رنگی، از شدت سطح خاکستری تصویر و کانال های رنگی r، g، b، h، s، v، l، a* و b* سیستم های رنگی rgb، hsv و cielab، برای تک تک تصاویر محاسبه شد. هم چنین برای هر نه کانال رنگی مذکور و شدت سطح خاکستری تصاویر ویژگی های بافتی تصاویر از طریق هیستوگرام شدت و ماتریس هم اتفاقی سطح خاکستری استخراج گردید. آنالیز واریانس داده های به دست آمده نشان داد که اثر عامل های مورد بررسی یعنی زمان نگهداری، حجم نمونه و شدت روشنایی نور بر ویژگی شدت نور و ویژگی بافتی میانگین ماتریس هم اتفاقی معنی دار بوده است لذا این دو ویژگی به عنوان ورودی های شبکه عصبی پرسپترون چند لایه پس انتشارخطای لینک شده با الگوریتم ژنتیک مورد استفاده در این پژوهش انتخاب شدند. داده ها به دو روش دسته بندی و شبکه عصبی مصنوعی مذکور برای هر دسته به طور جداگانه راه اندازی شد. در روش اول داده ها به دو قسمت بر حسب تیمار شدت روشنایی نور تقسیم شدند؛ در روش دوم هر دسته داده تقسیم شده بر حسب شدت روشنایی نور بر حسب حجم نمونه گیری نیز تفکیک و در نهایت شش دسته داده ایجاد شد. شبکه عصبی مصنوعی در پیش بینی میزان تازگی شیر uht برای دو سطح شدت روشنایی نور مورد بررسی به ترتیب با کسب ضرایب همبستگی بیش از 96/0 و 98/0 و مقادیر خطای قابل قبول، دقت خوبی در پیش بینی داشت و موفق عمل کرد. با توجه به نتایج شدت روشنایی نور دو نسبت به شدت روشنایی نور یک، عملکرد بهتری در ایجاد داده های با قابلیت تفکیک پذیری بیشتر مصنوعی به منظور پیش بینی میزان تازگی شیر uht برای شبکه عصبی داشته است. در روش دوم دسته بندی داده ها، در هر شش دسته، شبکه عصبی مصنوعی دقت 100% در پیش بینی داشت. نتایج حاصل از این پژوهش بیانگر موفقیت تکنیک های پردازش تصویر و شبکه عصبی مصنوعی در تعیین میزان تازگی شیر uht طی دوره ذخیره سازی آن است؛ که این موضوع مقدمه ای بر ورود این تکنیک ها به صنعت لبنیات است.