مجید دولتی

امروزه با توجه به افزایش جمعیت جهان، نیاز به استفاده از یک فن‏آوری پیشرفته، برای تخمین سریع، غیر مخرب و حتی الامکان دقیق کیفیت محصولات کشاورزی و غذایی لازم و ضروری به نظر می‏رسد. بنابراین در این تحقیق اقدام به راه اندازی یک سامانه ماشین بینایی گردید و جهت ارزیابی عملکرد سامانه، به بررسی کیفی گوشت شترمرغ و زیره سیاه پرداخته شد. جهت ارزیابی تازگی و کیفیت درونی گوشت شترمرغ، پس از تصویربرداری از نمونه‏های گوشت، مولفه‏های رنگی روشناییl*، قرمزیa* و زردیb* در طول مدت زمان نگه‏داری نمونه‏ها در دمای چهار درجه، به کمک نرم افزار متلب پردازش و استخراج شدند. همچنین به‏منظور اعتبارسنجی مدل‏های بدست آمده، مقادیر اسیدیته، چربی و پروتئین نمونه‏ها بطور همزمان در آزمایشگاه بصورت مخرب اندازه‏گیری شد. مدل‏های رگرسیونی پیش‏بینی تازگی گوشت شترمرغ براساس مولفه‏های رنگیl*، a* ،b* ،R ،G و B به ترتیب با ضریب تبیین2/88، 9/85، 9/85، 9/86، 8/86 و 5/87 بدست آمد. همچنین مدل‏های رگرسیونی پیش‏بینی تازگی گوشت شترمرغ براساس مولفه‏های رنگی r، g،b ،H ، S، Vو I به ترتیب دارای ضریب تبیین2/76، 5/77 ، 4/78 ،3/49، 2/49، 49 و1/51 بدست آمد. در نهایت مدل رگرسیونی تخمین چربی، پروتئین و اسیدیته گوشت شترمرغ با فن‏آوری ماشین بینایی و پردازش تصویر به ترتیب دارای ضریب تبیین 38/83 ، 01/91 و 93/97 بود. امروزه به دلیل وجود انواع مختلف زیره تقلبی در بازار، شناسایی زیره ی پارسی اصیل از نوع تقلبی آن از اهمیت بالایی برخوردار است. شناسایی به روش بازرسی دستی و بصری بسیار وقت گیر و دارای خطای انسانی بسیار می باشد. بنابراین به استخراج ویژگی های رنگ و بافت زیره از تصویر آن پرداخته شد و در نهایت با بهره گیری از شبکه های عصبی مصنوعی، به تشخیص زیره پارسی اصیل از انواع تقلبی موجود در بازار، شامل پنچ نمونه زیره پارسی و چهار نمونه زیره ی تقلبی،که بیشترین فراوانی را در بازار داشتند، اقدام گردید. پس از استخراج ویژگی های بافتی و رنگی، شناسایی نمونه ها با استفاده از شبکه عصبی پس انتشار صورت گرفت. بهترین میانگین دقت شناسایی و طبقه بندی زیره اصیل از نوع تقلبی با بکارگیری شبکه عصبی یک لایه با تابع انتقال لگاریتم سیگموئید در لایه پنهان و تابع خطی در لایه خروجی و تابع یادگیری لونبرگ مارکوات با استفاده از ویژگی های رنگی، بافتی و ترکیبی (بافتی-