ارزیابی و پیش بینی خواص مکانیکی سیب زمینی در طول انبارداری با استفاده از تصویربرداری پس پراکنش لیزری
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 39
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-15-83_021
تاریخ نمایه سازی: 2 آذر 1402
چکیده مقاله:
دراین پژوهش، تغییرات بافت سیب زمینی در طول انبارداری بااستفاده از روش تصویربرداری پسپراکنش نور لیزر توسط مدل های فیزیکی و ریاضی و باتوجه به نتایج آزمون های مخرب مکانیکی ارزیابی شد. همچنین، بااستفاده از ویژگی های حاصل از تصاویر سعی بر توسعه مدل هایی برای پیش بینی خواص مکانیکی سیب زمینی شد. از ۵۹۴ سیب زمینی تصویربرداری پس پراکنش نور لیزر صورت گرفت. از این تصاویر پروفایل پس پراکنش هر نمونه به دست آمد. سپس، نمونه های استوانه ای شکل استخراج شده از سیب زمینی ها مورد آزمون فشاری تک محوری قرار گرفتند. پروفایل های پس پراکنش از تصاویر، با برازش مدل گاوسی درجه اول بر داده های حاصل از تصویر نهایی و همچنین محاسبه فرکانس تکرار شدت های مختلف در تصاویر، پارامترهایی مرتبط با جذب و پراکنش نور بازگشتی از درون بافت غده ها در سه طول موج ۶۵۰، ۷۸۰ و nm ۹۸۰ در شش دوره انبارداری سرد به دست آمد. نتایج آزمون مکانیکی و همچنین تغییرات پارامترهای تخمین زده شده از برازش مدل گاوسی و فرکانس های شدت حاصل از تصاویر و مقایسه و بررسی رفتار آن ها در طول شش ماه انبارداری، بیانگر اثر تغییرات ساختار مکانیکی بر خواص نوری نمونه ها بود. درنهایت، ۵ مدل برای پیش بینی مدول الاستیسیته مماسی، مدول الاستیسیته سکانتی، چقرمگی و حداکثر نیروی شکست با کمک سیستم استنتاجی عصبی فازی، به ترتیب با دقت های ۸۲۷/۰، ۸۱۵/۰، ۸۰۸/۰، ۸۴۷/۰، و ۸۱۱/۰ حاصل شد. نتایج و اطلاعات حاصل در این پژوهش اساسا برای درک اثر جذب و پراکنش نور متاثر از تغییرات ناشی از انبارداری و به منظور طراحی حس گرهای پربازده و سامانه های تعیین کیفیت برای ارزیابی کیفیت مکانیکی غیرمخرب در غدد سیب زمینی مفید خواهد بود.
کلیدواژه ها:
Backscattering imaging ، Non-destructive tests ، Gaussian model ، Mechanical properties ، تصویربرداری پس پراکنش لیزری ، غیر مخرب ، مدل گاوسی ، خواص مکانیکی
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :