کاوه ملازاده

غذا و تغذیه از جمله نیازهای بنیادی جامعه ی بشری می باشد. کنترل و تضمین کیفیت مواد غذایی همواره یک مسئله مهم برای متخصصان این حوزه است. تعیین کیفیت محصول با توجه به خواص ظاهری و خواص درونی محصول تعیین می شود. ظاهر محصول شامل شکل، اندازه و رنگ می باشد. رنگ به عنوان مهم ترین ویژگی ظاهری در درک کیفیت محصول شناخته شده است؛ چون رنگ سطح محصول پارامتر قابل درک و قابل تشخیص برای مصرف کننده است. هدف از انجام این پژوهش، طراحی یک بسته ی نرم افزاری توسط MATLAB با استفاده از رابط کاربر گرافیکی(GUI) می باشد که قابلیت استخراج مقادیر رنگی را دارا باشد. این نرم افزار مجهز به ابزار استحصال تصویر، مدل های پیش بینی جهت واسنجی و ارزیابی دقیق نرم افزار، اندازه گیری مقادیر رنگی تصویر و تبدیل آن به مقادیر واقعی در فضاهای رنگی RGB و L*a*b* با کارایی آسان می باشد. از سه مدل خطی، درجه دوم و شبکه عصبی مصنوعی جهت کالیبره کردن نرم افزار استفاده شد. مدل شبکه عصبی مصنوعی با 15 لایه ی پنهان با R های نزدیک به 1 بهترین عملکرد را جهت واسنجی نرم افزار از خود نشان داد. نرم افزار FOCAبر روی محصولات مختلف غذایی با شرایط خاصی آزمایش شد. گوشت قرمز و گوشت مرغ در یخچال به مدت پنج روز در دمای 2 درجه سلسیوس نگهداری شدند. بیشترین میزان همبستگی برای گوشت قرمز مربوط به a* مدل شبکه عصبی مصنوعی با مقدار 99/0 و کمترین ضریب همبستگی، 65/0 برای a*مدل خطی بدست آمد. برای گوشت مرغ هم بیشترین مقدار و کمترین مقدار همبستگی به ترتیب برابر 98/0 و 56/0 برای L* و b* مدل شبکه عصبی مصنوعی بیان شد. پخت نان باگت در سه حالت مختلف صورت گرفت. بیشترین همبستگی با میزان 99/0 برای b* مدل شبکه عصبی مصنوعی محاسبه شد و کمترین مقدار مربوط به b* مدل خطی به میزان 65/0 بیان شد.همچنین، مراحل رسیدگی موز نیز بررسی شد. بیشترین همبستگی برای شاخص b*در مدل شبکه عصبی مصنوعی با مقدار 99/0 و کمترین برای شاخص a* مدل خطی به میزان 78/0 بدست آمد. در آزمایش دیگر ورقه های موز توسط آون و مایکروویو خشک گردید. بهترین مقدار ضریب همبستگی در مرحله پیش بینی مربوط به L* مدل شبکه عصبی مصنوعی و پایین ترین عملکرد مربوط به a* مدل خطی بود که به ترتیب برابر 99/0 و 83/0 بودند.