پیشبینی حجم، سطح جانبی و کرویت انار با استفاده از شبکه عصبی مصنوعی MLP

اندازه گیری سریع و دقیق خصوصیات هندسی محصولات کشاورزی کاربردهای زیادی در امور مربوط به کاشت، داشت، برداشت و پس از برداشت دارد. محاسبات مربوط به انبارداری و نقل و انتقال، در کنار محاسبه میزان مواد پوششی داده شده به محصولات برای افزایش عمر انبار داری، همچنین تخمین زمان پوست کنی و تعیین میزان تجمع مواد میکروبی روی محصول، از جمله کاربردهای مهم اندازه گیری حجم و سطح جانبی میباشند. ضریب کرویت نیز که یکی از پارامترهایی است که برای کمی کردن اختلاف در شکل میوه ها، سبزیها، غلات و بذرها به کار میرود، در فرایندهای جداسازی توسط ماشین های غربال و نیز قابلیت غلتش روی سطوح دارای اهمیت میباشد. استفاده از شبکه عصبی به عنوان یک روش سریع و غیرمخرب برای پیش بینی خصوصیات فیزیکی محصولات کشاورزی حائز اهمیت می باشد. توانایی تکنیک شبکه عصبی مصنوعی به عنوان یک روش جایگزین در پیش بینی حجم، سطح جانبی و کرویت انار ارزیابی شد. از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و رابطه رگرسیونی بین مقادیر پیش بینی شده توسط شبکه عصبی و مقادیر واقعی آنها استفاده شد. نتایج نشان داد که مقادیر 0/85 ≥ P بدست آمد، که نشان دهنده عدم وجود تفاوت معنی داری در سطح 5 درصد بین مقادیر ویژگی های آماری مجموعه داده های پیش بینی شده و مقادیر واقعی آنها بود. همچنین ضرایب تبیین بین داده های واقعی و پیش بینی شده بزرگتر از 0/9 شد.

کلیدواژه ها:

انار ، حجم ، سطح جانبی ، کرویت ، شبکه عصبی