طبقه بندی آلبالو بر مبنای ویژگی های کیفی با بهره گیری از پردازش تصویر، شبکه های عصبی مصنوعی و ماشین های بردار پشتیبان

کیفیت محصولات باغی نه تنها تعیین کننده ارزش بازار آنهاست، بلکه بر رضایت مصرف کنندگان و سودآوری تولیدکنندگان نیز اثر مستقیم دارد. در این پژوهش، به منظور ارائه رویکردی سریع، دقیق و کم هزینه برای طبقه بندی آلبالو بر اساس ویژگی های کیفی، الگوریتم های پردازش تصویر و یادگیری ماشین به کار گرفته شد. این پژوهش با هدف ارزیابی کارایی مدل های هوش محاسباتی در طبقه بندی آلبالو بر مبنای ویژگی های کیفی، شامل سفتی (N)، قند (SSC) و pH، انجام شد. برای این منظور، ۲۰۰ نمونه آلبالو تحت تصویربرداری قرار گرفت. سه الگوریتم ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN) جهت مدل سازی و پیش بینی پارامترها به کار گرفته شد. نتایج آزمون های آماری نشان داد تغییرات ویژگی های استخراج شده از نظر آماری معنادار است. مدل RF با R² بین ۰.۸۷ تا ۰.۹۲ و مقادیر خطای کمتر (RMSE و MAE)، برتری محسوسی نسبت به SVM و ANN داشت. این رویکرد موجب کاهش زمان و هزینه ارزیابی، ارتقاء دقت و امکان پیاده سازی در سیستم های هوشمند ارزیابی کیفیت محصولات باغی می شود. یافته ها نشان می دهد تلفیق پردازش تصویر با الگوریتم های یادگیری ماشین، ابزاری موثر و تعمیم پذیر برای کنترل کیفیت در صنایع غذایی به شمار می آید.

کلیدواژه ها:

آلبالو ، پردازش تصویر ، یادگیری ماشین ، جنگل تصادفی ، ماشین بردار پشتیبان