پیش بینی کیفیت سیب اساس ویژگی های ساختاری و فیزیکوشیمیایی با کمک روش یادگیری ماشین CatBoost و تفسیر SHAP

در صنایع مدرن کشاورزی و فرآوری مواد غذایی، تضمین و کنترل کیفیت محصولات نقشی حیاتی در حفظ رقابت پذیری در بازار و کاهش ضایعات ایفا می کند. روش های سنتی ارزیابی کیفیت که بر پایه بازرسی های حسی نیروی انسانی استوارند، زمان بر، پرهزینه و مستعد خطاهای ذهنی هستند. هدف این پژوهش، توسعه یک چارچوب هوشمند، کالیبره و تفسیرپذیر برای پیش بینی و تحلیل کیفیت سیب بر اساس ویژگی های ساختاری و فیزیکوشیمیایی آن است. در این راستا، الگوریتم یادگیری گروهی CatBoost بر روی یک مجموعه داده شامل ۴۰۰۱ نمونه با ویژگی های متعددی نظیر اندازه، وزن، شیرینی، تردی، آبداری، میزان رسیدگی و اسیدیته آموزش داده شد. به منظور ارزیابی توانایی تعمیم پذیری مدل و پایایی نتایج، از تکنیک اعتبارسنجی متقاطع ۵ مرحله ای طبقه بندی شده (Stratified ۵-Fold Cross-Validation) استفاده گردید. نوآوری کلیدی این مطالعه، ادغام مدل پیش بین با چارچوب هوش مصنوعی قابل تفسیر از طریق SHAP (Shapley Additive exPlanations) و کلاس TreeExplainer جهت گشودن جعبه سیاه مدل است. نتایج تجربی نشان داد که مدل پیشنهادی به دقت کلی ۹۰ درصد، سطح زیر منحنی مشخصه عملکرد (ROC AUC) برابر با ۰.۹۶۱۴ و امتیاز برایر (Brier Score) مطلوب ۰.۰۷۷۴ دست یافته است که نشان دهنده کالیبراسیون و پایداری بالای مدل در تفکیک نمونه ها است. همچنین تحلیل ارزش های شاپلی مشخص ساخت که ویژگی های آبداری، تردی و شیرینی اصلی ترین محرک های مثبت در ارتقای کیفیت، و سطوح نامتعارف اسیدیته و رسیدگی بیش از حد، مهم ترین عوامل افت کیفیت محصول هستند. این سیستم با فراهم آوردن بستری شفاف برای درک علل افت کیفیت، می تواند به عنوان یک سیستم پشتیبان تصمیم کارآمد در خطوط سورتینگ خودکار و مدیریت زنجیره تامین هوشمند مستقر شود.

کلیدواژه ها:

کنترل کیفیت هوشمند ، یادگیری گروهی ، الگوریتم CatBoost ، تفسیرSHAP