مدل سازی هوشمند بافت نان به کمک روش اندازه گیری صوت و شبکه عصبی (مطالعه موردی: نان غنی شده با چیا)

نویسندگان

1 استادیار، گروه علوم و مهندسی صنایع غذایی، دانشکده علوم دامی و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران

2 دانشجوی کارشناسی ارشد، گروه علوم و مهندسی صنایع غذایی، دانشکده علوم دامی و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ایران

3 استادیار، گروه مکانیک بیوسیستم، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران

4 دانشیار، گروه علوم و مهندسی صنایع غذایی، دانشکده علوم دامی و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران

doi
10.22104/jift.2020.3734.1888
چکیده

هدف از پژوهش حاضر مد‌سازی هوشمند بافت نان به روش غیر مخرب صوتی- مکانیکی می‌باشد. بدین منظور بافت نان غنی شده با 3 درصد مختلف چیا اصلاح‌شده (5/2، 5، 5/7 درصد) توسط دستگاه بافت‌سنج با سرعت آزمون 3 میلی‌متر در ثانیه تا 30 درصد فشردگی و در شرایطی که میکروفون در فاصله 5 سانتی‌متری از نمونه‌ها و در زاویه 45 درجه نسبت به افق قرار داشت مورد ارزیابی قرار گرفت. از صدای ذخیره شده در خلال بارگذاری ویژگی‌های میانگین شدت صوت، بیشترین مقدار صدا، واریانس، انحراف معیار، میانگین جذر قدر مطلق، جذر میانگین مربعات، چولگی، چقرمگی، ممان پنجم، ممان ششم، انرژی، آنتروپی در حوزه زمان، آنتروپی طیفی و فرکانس طبیعی در حوزه فرکانس استخراج شدند. بعد از انتخاب مناسب‌ترین ویژگی‌ها (بیشترین مقدار صدا، واریانس، انحراف معیار، میانگین جذر قدر مطلق سیگنال، انرژی، آنتروپی و فرکانس طبیعی) بر اساس آنالیز آماری، شبکه عصبی مصنوعی با 3 الگوریتم (لونبرگ مارکوارت، شیب توام مقیاس شده، سرعت یادگیری متغیر) با 7 نرون در لایه ورودی (متناسب با ویژگی‌های انتخاب شده) و 3 نرون در لایه خروجی (سفتی، چسبندگی، قابلیت جویدن) آموزش و مورد آزمون قرار گرفت. بر اساس نتایج مشخص گردید که خطای آموزش در الگوریتم لونبرگ- مارکوارت نسبت به سایر الگوریتم‌ها کمتر بود و خطای جذر میانگین مربعات مرحله آزمون این الگوریتم به ترتیب برای پیش‌گویی سفتی، قابلیت جویدن و چسبندگی 14/0، 23/0 و 33/0 بدست آمد که نشان از توانایی روش پیشنهادی در پیش‌گویی کیفیت نان دارد.