پرتقال با نام علمی (Citrus Sinensis) بعد از سیب بیش ترین مصرف را در جهان دارد. تولید پرتقال در سال 2013 حدود 3/71 میلیون تن بوده است. مطالعات انجام شده توسط سازمان بین المللی غذا و کشاورزی (FAO) نشان داده است که در حدود یک سوم از تمام مواد غذایی تولید شده و در حدود نیمی از تمام میوه ها و سبزیجات از دست رفته و مصرف نمی شود. نظارت مؤثر بر درجه حرارت، رطوبت و سایر شرایط محیطی در داخل یک سردخانه یا انبار یکی از زمینه های مهم تحقیق و توسعه کشورهای در حال توسعه در سراسر جهان شده است. میوه وسبزیجات مواد غذایی حساس به سرما می باشند. ذخیره سازی آن ها در شرایط نامناسب دمایی باعث از بین رفتن و فساد می شود. براین اساس، هدف این پژوهش پیش بینی و ایجاد روش غیرمخرب مبتنی بر فناوری بینایی ماشین و روش های داده کاوی به منظور پیش بینی و طبقه بندی میوه های سالم از میوه های آسیب دیده است. مراحل مختلف مربوط به پیاده سازی این روش متشکل از ایجاد شرایط آزمایشگاهی و شرایط سرمازدگی و یخ زدگی، قرارگیری نمونه ها در شرایط انبارمانی، تصویربرداری فلورسانسی از نمونه های پرتقال، انجام آزمایش های مخرب و ثبت خواص ظاهری و مکانیکی، تجزیه و تحلیل آزمون های مخرب، تجزیه و تحلیل تصاویر رنگی فلورسانس، انتخاب مناسب ترین ویژگی های آماری مستخرج از تصاویر فلورسانس، طبقه بندی با استفاده از مدل رگرسیون مولفه های اصلی و شبکه های عصبی مصنوعی و مقایسه دو مدل طبقه بند است. نتایج حاصل از مدل های طبقه بند با استفاده از داده های آزمون مورد ارزیابی قرار گرفته است. مقدار صحت کل مدل شبکه عصبی برابر 64 درصد در طبقه بندی سه دسته ای (سالم-سرمازده-یخ زده) بدست آمد. میزان صحت کل مدل شبکه عصبی مصنوعی در طبقه بندی دو دسته ای سالم-سرمازده، سالم- یخ زده و سرمازده- یخ زده نیز به ترتیب برابر 81، 91 و 77 درصد حاصل شد. براین اساس مدل شبکه عصبی مصنوعی نسبت به مدل طبقه بند مبتنی بر رگرسیون مولفه های اصلی از عملکرد بالاتری برخوردار بود.
