با توجه به اینکه آلبالو یک محصول فصلی است، فرآوری آن برای مصرف در فصول دیگر ضروری است و خشک کردن یکی از روش‌های فرآوری این محصول به شمار می‌رود. در طی فرآیند خشک کردن آلبالوها، به دلیل ساختارهای متغیر، رطوبت اولیه متفاوت و توزیع غیر یکنواخت جریان هوا در خشک‌کن، آلبالوها ممکن است سطوح مختلفی از رطوبت را نشان دهند. پیش‌بینی میزان رطوبت هر آلبالو برای کنترل و اقدامات بعدی بسیار مهم است. این پژوهش با هدف ایجاد یک پایگاه داده از فرآیند خشک کردن آلبالوها با استفاده از بینایی ماشین و توسعه مدل‌های شبکه عصبی عمیق بر اساس این پایگاه داده انجام شد تا یک سیستم کنترل کیفیت آنلاین مبتنی بر یادگیری عمیق طراحی و ارزیابی شود. این سیستم برای تعیین سطح خشک شدن محصول در یک خشک‌کن خورشیدی-همرفتی طراحی شده است و امکان کنترل کیفیت بر اساس سطح خشک شدن را فراهم می‌کند. خشک‌کن به سیستم کنترل جریان هوا، سیستم بازچرخانی هوا و سیستم تصویربرداری مجهز شده است. سیستم تصویربرداری روی ریل‌هایی نصب شده که امکان حرکت آن را در طول خشک‌کن برای ضبط ویدئو از نمونه‌ها فراهم می‌کند. از ویدئوهای ضبط‌شده، فریم‌هایی استخراج شدند. از آنجا که هر تصویر شامل ۴ تا ۵ آلبالو بود، لازم بود تصاویر هر آلبالو به صورت جداگانه استخراج و ذخیره شوند. این کار با استفاده از شبکه تشخیص اشیاء عمیق YOLOv8 انجام شد. پس از آماده‌سازی تصاویر، دو معماری شبکه عمیق CNN5 و CNN5-BN به همراه شبکه معروف GoogLeNet توسعه داده شده و برای پیش‌بینی میزان رطوبت آموزش داده شدند. نتایج ارزیابی نشان داد که شبکه CNN5-BN در پیش‌بینی رطوبت طی فرآیند خشک کردن، دقت بالایی داشته و مقدار خطای میانگین مربع ریشه (RMSE) برابر 5.9 و ضریب تعیین (R) برابر 0.91 را به دست آورد. این پژوهش نشان می‌دهد که استفاده از شبکه‌های عصبی عمیق در ترکیب با سیستم‌های بینایی ماشین می‌تواند به عنوان ابزاری مؤثر برای کنترل و بهینه‌سازی فرآیند خشک کردن میوه‌ها در محیط‌های صنعتی به کار رود.
