رسیدگی گوجه فرنگی یکی از مهم ترین عوامل مرتبط با کیفیت آن به شمار می رود. با توجه به افزایش روزافزون مصرف این محصول در جهان و با توسعه فناوری های جدید، نیاز به گسترش روش های غیرمخرب جهت تعیین عوامل مؤثر بر کیفیت میوه گوجه فرنگی وجود دارد. از این رو هدف از انجام این پژوهش، طراحی یک نرم افزار هوشمند بر روی تلفن های همراه جهت استفاده بر خط پیش بینی شاخص های مرتبط با کیفیت و تعیین مراحل رسیدگی گوجه فرنگی می باشد. در این پژوهش از روش نوین تصویربرداری تماسی همراه با نور لیزر در طول موج های ناحیه مرئی طیف الکترومغناطیس (532 و 650 نانومتر)، طول موج های فروسرخ نزدیک (780 و 850 نانومتر) و نور سفید (ناحیه 400 تا 700 نانومتر) استفاده شد. 220 نمونه گوجه فرنگی در شش مرحله رسیدگی برداشت شد. مؤلفه های رنگی L*a*b*، الاستیسیته، محتوای رطوبتی، کلروفیل، کاروتنوئید، لیکوپن، اسیدیته قابل تیتراسیون (TA) و مواد جامد محلول (TSS) به عنوان شاخص های مرتبط با کیفیت گوجه فرنگی در نظر گرفته شدند. پس از انتخاب ویژگی های برتر با روش رگرسیون گام به گام، از الگوریتم های شبکه عصبی مصنوعی جهت پیش بینی شاخص های کیفی و طبقه بندی تصاویر تماسی استفاده شد. شاخص a* با ضریب همبستگی 97/0 و شاخص های b* و محتوای رطوبتی با ضریب همبستگی 37/0، به ترتیب بیشترین و کم ترین میزان همبستگی را با مراحل رسیدگی داشتند. پیش بینی پارامترهای a*، TA و TSS با استفاده از نور سفید، کاروتنوئید با طول موج 650 نانومتر، L*، الاستیسیته و لیکوپن با ترکیب طول موج های 532 و 650 نانومتر و کلروفیل با ترکیب طول موج های 650 و 780 نانومتر دارای عملکرد بهتری بودند. در طول موج های ذکر شده، مقدار ضریب همبستگی در مرحله آزمون پیش بینی a* با ساختار 1-4-4 برابر 97/0 و برای لیکوپن با ساختار 1-5-13 برابر 95/0 بدست آمد. میزان این شاخص برای شاخص های کلروفیل و کاروتنوئید به ترتیب 78/0 و 74/0 و برای سایر شاخص های کیفی نیز بالاتر از 80/0 بودند. مدل طبقه بند شبکه عصبی مصنوعی در نور سفید با ساختار 7-12-5 قادر به تفکیک مراحل رسیدگی با بالاترین میزان صحت کل به میزان 57/78% بود. در نهایت، برنامه کاربردی به نام TomatoScan برای تلفن های هوشمند اندروید توسعه داده شد. نتایج حاصل از ارزیابی برنامه TomatoScan تقریباً مشابه نتایج بدست آمده در مرحله آزمون مدل های شکبه عصبی با استفاده از نرم افزار متلب بود.
