استفاده از طیف سنجی VIS/NIR به منظور تشخیص غیرمخرب مواد جامد محلول در ارقام آلو

در این پژوهش، روشی غیرمخرب برای ارزیابی میزان مواد جامد محلول (SSC) در ارقام آلو با استفاده از طیف سنجی مرئی/ مادون قرمز نزدیک (VIS/NIR) توسعه یافت. بدین منظور، طیف های جذبی ۸۰ نمونه از دو رقم آلو خرمایی و خونی در محدوده ۳۵۰ تا ۱۱۰۰ نانومتر جمع آوری و مقادیر SSC آن ها با استفاده از رفراکتومتر به عنوان روش مرجع اندازه گیری شد. برای کاهش ابعاد داده ها و شناسایی طول موج های موثر، مجموعه ای از پنج الگوریتم فراابتکاری (شامل LCA، GA، PSO، ACO وICA  ) در ترکیب با مدل ماشین بردار پشتیبان (SVM) به کار گرفته شد که نوآوری اصلی در تلفیق الگوریتم قهرمانی لیگ (LCA) به عنوان قوی ترین انتخاب گر ویژگی، با مدل های رگرسیونی شبکه عصبی مصنوعی (ANN) نهفته است. سپس، مدل های رگرسیون حداقل مربعات جزئی (PLSR) و ANN برای پیش بینی SSC بر روی طیف های کامل و کاهش یافته توسعه یافتند. برای بهینه سازی دقت مدل ها، بیش از ۱۲ روش پیش پردازش بر روی طیف ها اعمال و تاثیر هر یک ارزیابی شد. نتایج نشان داد که مدل ANN بر پایه طول موج های منتخب و با اعمال پیش پردازش میانگین متحرک، به ویژه برای رقم خرمایی، به بالاترین دقت پیش بینی (۹۸۹/۰R² =  و ۰۸/۶ RPD =) دست یافت که حاکی از قابلیت عالی مدل برای پیش بینی کمی است. این پژوهش ثابت می کند که ترکیب طیف سنجی VIS/NIR با روش های نوین انتخاب ویژگی فراابتکاری مانند LCA، یک رویکرد جدید و کارآمد برای تعیین غیرمخرب SSC ارائه می دهد. این متدولوژی با کاهش چشمگیر نیازهای محاسباتی، یک ابزار عملی، دقیق و قابل اطمینان برای کنترل کیفیت در لحظه در صنایع پس از برداشت و فرآوری میوه است.

کلیدواژه ها:

آلو ، طیف سنجی VIS/NIR ، مواد جامد محلول ، پیش پردازش ، شبکه عصبی مصنوعی