حمید قاسم خانی

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 کیفیت و تازگی گوشت شتر با استفاده از روش غیر مخرب ماشین بینایی است. در تحقیق حاضر، از فن آوری ماشین بینایی با کمک تکنیک های پردازش تصویر و شبکه های عصبی مصنوعی جهت ارزیابی تازگی و کیفیت درونی گوشت شتر از جمله میزان اسیدیته، چربی و پروتئین استفاده شد. مقادیر پروتئین با دستگاه کجلدال، چربی با دستگاه سوکسله و اسیدیته با pH متر اندازه گیری شدند. در بخش پردازش تصویر نیز پس از حذف پس زمینۀ تصاویر، به استخراج ویژگی های رنگی و بافتی تصویر پرداخته شد. در نهایت 108 ویژگی بافتی و 39 ویژگی رنگی در فضاهای رنگی RGB HSV, HIS, CIElab, استخراج شد. همچنین برای ارزیابی کیفیت و تازگی گوشت، از شبکۀ عصبی پیشخور با الگوریتم پس-انتشار با یک لایۀ پنهان و تعداد نرون های مختلف استفاده شد. مدل های رگرسیونی پیش بینی تازگی گوشت شتر بر اساس مولفه های رنگی L*، a*، b*، R، G، B، h*، c*، E به ترتیب با ضریب همبستگی 86/0، 81/0، 86/0، 83/0، 84/0، 70/0، 68/0، 82/0 و 82/0 به دست آمد. نتایج ارزیابی شبکه عصبی نشان داد که مطلوب ترین شبکه برای تخمین تازگی، میزان پروتئین، میزان pH و میزان چربی گوشت شتر، شبکۀ پیشخور به ترتیب با توابع انتقال لگاریتم سیگموئید- تانژانت سیگموئید با ضریب تبیین 99/0، تانژانت سیگموئید- تانژانت سیگموئید با ضریب تبیین 91/0، تانژانت سیگموئید- خطی با ضریب تبیین 99/0 و خطی- تانژانت سیگموئید با ضریب تبیین 82/0 می باشد. بنابراین با توجه به نتایج به دست آمده، می توان گفت فن آوری ماشین بینایی و پردازش تصویر قادر است با دقت نسبتأ خوبی تازگی و کیفیت گوشت شتر را تخمین بزند