فهرست نشریات علمی دسترسی آزاد ایران

برای ایجاد اطمینان از عرضۀ پیوستۀ سیب­ زمینی به مصرف­کنندگان و صنایع فرآوری این محصول، ذخیره­ سازی آن ضروری است. هنگام ذخیره­ سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب­ زمینی باعث می­ شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش­ های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکۀ عصبی مصنوعی برای کلاسه­ بندی و مدل­سازی دو نمونه سیب­ زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه ­گیری شده مربوط به ویژگی ­های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی ­های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی­ های رنگی) و 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی­ های بافت) به ‌عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم ­های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا 0/012=RMSE و بیشترین ضریب تبیین 95/01 =R2 درصد مدلی بهینه در طبقه ­بندی (کلاسه­ بندی) دو نمونه سیب ­زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ­ترتیب 89/2 و 87/6 درصد و دقت شناسایی ژنوتیپ کلون 8-397009 به­ترتیب 92/4 و 90/3 درصد به­ دست آمد.