ناصر بهروزی خزاعی

بخش فرآوری میوه‌ها، به‌ویژه عملیات خردکردن، جداسازی گوشت میوه از هسته و پوست و آماده‌سازی آن برای مصرف یا فرآوری‌های بعدی، نقش کلیدی در کاهش هدررفت، حفظ کیفیت تغذیه‌ای و ظاهری محصول و افزایش کارایی خطوط تولید صنعتی دارد. خردکردن دقیق بخش نرم گوشت میوه آناناس به دلایلی همچون ساختار سه‌بعدی پیچیده آن، تغییرپذیری بافت گوشت نرم میوه و وجود بخش مرکزی گوشت سفت میوه، یک چالش فنی و صنعتی محسوب می‌شود. همچنین عدم یکنواختی در اندازه و شکل میوه‌ها، تغییرات طبیعی رنگ و بافت و تفاوت در محل قرارگیری بخش گوشت سفت میوه، طراحی سیستم‌های خودکار خردکن را پیچیده‌تر می‌کند. بنابراین هدف از انجام این پژوهش، ارائه یک رهیافت رباتیک مبتنی بر بینایی ماشین برای خردکردن دقیق برش‌های میوه آناناس با حداقل میزان هدررفت بود. در این سامانه، ابتدا بخش‌های مختلف برش میوه آناناس با استفاده از مدل‌های قطعه‌بندی YOLO شناسایی و ویژگی‌های مکانی و هندسی گوشت نرم میوه، گوشت سفت میوه، حفره‌های درون گوشت نرم میوه و پوست میوه استخراج شد. از خروجی مدل‌های قطعه‌بندی به‌منظور حذف بخش سفت گوشت میوه توسط یک مکانیزم پانچینگ استفاده گردید. در ادامه، مدل‌های رگرسیونی ResNet50 و MobileNetV2به‌منظور پیش‌بینی میزان بهینه هدررفت در عملیات خردکردن بخش گوشت نرم میوه به کار گرفته شدند. یک الگوریتم جستجو نیز موقعیت و زاویه قرارگیری صفحه مشبک خردکن را با توجه به خروجی مدل رگرسیون تعیین کرد تا کمترین میزان هدررفت بخش گوشت نرم میوه حاصل شود. عملکرد سامانه با شاخص‌های صحت و دقت در بخش قطعه‌بندی و پیش‌بینی میزان هدررفت در بخش خردکردن مورد ارزیابی قرار گرفت. نتایج به‌دست‌آمده نشان داد که در بخش قطعه‌بندی، شبکه YOLOv8m بهترین عملکرد را داشت و از نظر دقت مرزبندی و تعمیم‌پذیری نسبت به سایر مدل‌ها برتری آشکار نشان داد. در بخش رگرسیونی، در داده‌های آموزشی، مدل MobileNetV2 با ضریب همبستگی حدود 998/0 و ریشه میانگین مربعات خطا نزدیک به 0007/0 عملکرد بسیار مطلوبی داشت، در حالی که ResNet50 در همین بخش ضریب همبستگی حدود 948/0 و ریشه میانگین مربعات خطا 0045/0 را نشان داد. در داده‌های آزمون نیز MobileNetV2 با ضریب همبستگی حدود 997/0 و ریشه میانگین مربعات خطا 0011/0 به‌طور معناداری بهتر از ResNet50 با ضریب همبستگی حدود 775/0 و ریشه میانگین مربعات خطا 0090/0 عمل کرد. علاوه بر این، الگوریتم جستجوی طراحی‌شده برای تعیین موقعیت و زاویه بهینه صفحه مشبک خردکن نیز نتایج قابل توجهی ارائه داد. میزان انطباق خروجی الگوریتم با پیش‌بینی‌های MobileNetV2 دارای ضریب همبستگی حدود 948/0 و ریشه میانگین مربعات خطا 0047/ 0بود. همچنین مقایسه خروجی الگوریتم با مقادیر واقعی نیز ضریب همبستگی حدود 947/0 و ریشه میانگین مربعات خطا 0045/0 را نشان داد که بیانگر دقت بالای آن است. از نظر کاربردی، استفاده از این رویکرد توانست هدررفت واقعی میوه را نسبت به مقدار اولیه (موقعیت و زاویه پیش‌فرض صفحه مشبک خردکن) حدود 24 درصد کاهش دهد. همچنین هدررفت پیشنهادی مبتنی بر الگوریتم جستجو و مدل MobileNetV2 نیز نسبت به مقدار اولیه حدود 21 درصد کمتر بود. این نتایج نشان می‌دهد که رویکرد ارائه‌شده نقش مهمی در کاهش هدررفت ایفا کرده و توانسته حبه‌های آناناس خردشده یکنواخت‌تر و با کیفیت بالاتر فراهم آورد.