تخمین گرانروی شیره خرما با استفاده از ماشین بینایی و شبکه عصبی مصنوعی

تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازه‌گیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز می‌باشد. روش‌های اندازه‌گیری گرانروی متداول نیازمند نمونه‌گیری از فرآورده بوده و در عین حال زمان‌بر می‌باشند و لذا از این روش‌ها نمی‌توان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند به‌صورت بلادرنگ وضعیت گرانروی مایع را پایش نماید، از ملزومات یک سیستم کنترل کیفیت محصول شیره خرما می‌باشد تا مطابق با مقدار آنی گرانروی، اقدام به تغییر پارامترهای ورودی و شرایط فرآوری نماید تا محصولی با گرانروی و کیفیت استاندارد فراهم شود. در این تحقیق بر اساس ویژگی‌های مستخرج از تصاویر و بهره‌گیری از شبکه‌های عصبی مصنوعی روشی ابداع گردید تا گرانروی شیره خرما را در حین ریزش تعیین نماید. بر اساس اندازه‌گیری‌های به‌دست آمده توسط دستگاه لزجت‌سنج بروکفیلد مشخص شد که رفتار شیره خرما در دماها و غلظت‌های مختلف متفاوت بوده و دامنه گسترده‌ای از رفتار نیوتنی تا غیرنیوتنی را شامل می‌شود. از شبکه عصبی چند لایه با روش تعلیم پس‌انتشار خطا به‌منظور پیش‌بینی دو مقدار شاخص رفتار جریان و شاخص قوام بر اساس ویژگی‌های استخراج شده از تصویر استفاده شد. مقادیر خروجی روش پیشنهادی با مقادیر اندازه‌گیری شده توسط دستگاه لزجت‌سنج بروکفیلد در سطوح مختلف دما و غلظت شیره خرما واسنجی گردید. نتایج حاصله بیانگر همبستگی شاخص‌های رفتار و جریان به‌دست آمده از این روش با مقادیر واقعی با ضریب همبستگی تا حد 0/989 و میانگین خطای 0/0138 در داده‌های ارزیابی بود.

کلیدواژه ها:

بلادرنگ ، پردازش تصاویر دیجیتال ، تشخیص الگو ، لزجت