مشخصات پژوهش

عنوان	پیش بینی محتوی چربی و طبقه بندی گوشت شتر مبتنی بر ترکیب روش غیر مخرب پردازش تصویر و شبکه های عصبی مصنوعی
نوع پژوهش	مقاله چاپ شده
کلیدواژه‌ها	گوشت شتر، تشخیص تازگی و چربی، پردازش تصویر، شبکه های عصبی مصنوعی (ANNs)
چکیده	گوشت شتر به دلیل داشتن کلسترول و چربی کم و میزان پروتئین مناسب، می تواند جایگزین مناسبی برای سایر گوشت های قرمز در رژیم غذایی انسان باشد. هدف از این تحقیق، بررسی و ارزیابی تازگی و مقدار محتوی چربی گوشت شتر با استفاده از فن آوری غیر مخرب ماشین بینایی است. بنابراین، با استفاده از پردازش تصویر به عنوان یکی از روش های غیر مخرب و دستگاه سوکسله به عنوان روش مخرب، به اندازه گیری مقدار محتوی چربی و تخمین تازگی گوشت شتر پرداخته شد. در روش پردازش تصویر 108 ویژگی بافتی و 39 ویژگی رنگی در فضاهای رنگی RGB،HSV، HIS و CIElab از تصاویر نمونه ها استخراج شد. همچنین برای تخمین این پارامترها، از شبکۀ عصبی پیشخور با الگوریتم پس-انتشار با یک و دو لایۀ پنهان، تعداد نرون و توابع انتقال مختلف استفاده شد. با توجه به نمودار رگرسیونی چربی به دست آمده از روش مخرب (چربی به دست آمده از دستگاه سوکسله) با چربی حاصله از روش غیر مخرب (ماشین بینایی) ضریب تبیین و دقت بین آن ها 0.841 به دست آمد. نتایج ارزیابی شبکه های عصبی نشان داد که مطلوب ترین شبکه برای تخمین تازگی، شبکة با یک لایۀ پنهان با توپولوژی 1-3-147، با توابع انتقال تانژانت سیگموئید-خطی به ترتیب در لایۀ پنهان اول و لایۀ خروجی و با ضریب تبیین 0.996 و میانگین خطای مربعات 22^10×2.3، و همچنین برای تخمین مقدار محتوی چربی، شبکة با دو لایۀ پنهان با توپولوژی 1-3-3-147 با تابع انتقال خطی-لگاریتم سیگموئید-لگاریتم سیگموئید در لایه های پنهان اول، دوم و لایۀ خروجی با ضریب تبیین و میانگین خطای مربعات به ترتیب 0.99 و 0.402 به دست آمد. بنابراین نتایج بدست آمده از این تحقیق، نشان می دهد که سامانه پیشنهادی با کمک فن آوری ماشین بینایی قادر است با دقت بسیار خوبی تازگی و مقدار چربی گوشت شتر را تخمین بزند.
پژوهشگران	زهره مولایی (نفر اول)، مجید دولتی (نفر دوم)، ایمان گلپور (نفر سوم)، حمید قاسم خانی (نفر چهارم)