فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش، روشی غیرمخرب برای ارزیابی میزان مواد جامد محلول (SSC) در ارقام آلو با استفاده از طیف‌سنجی مرئی/‌مادون‌قرمز نزدیک (VIS/NIR) توسعه یافت. بدین منظور، طیف‌های جذبی ۸۰ نمونه از دو رقم آلو خرمایی و خونی در محدوده 350 تا ۱۱۰۰ نانومتر جمع‌آوری و مقادیر SSC آن‌ها با استفاده از رفراکتومتر به‌عنوان روش مرجع اندازه‌گیری شد. برای کاهش ابعاد داده‌ها و شناسایی طول‌موج‌های مؤثر، مجموعه‌ای از پنج الگوریتم فراابتکاری (شامل LCA، GA، PSO، ACO وICA  ) در ترکیب با مدل ماشین‌بردار پشتیبان (SVM) به کار گرفته شد که نوآوری اصلی در تلفیق الگوریتم قهرمانی لیگ (LCA) به‌عنوان قوی‌ترین انتخاب‌گر ویژگی، با مدل‌های رگرسیونی شبکه عصبی مصنوعی (ANN) نهفته است. سپس، مدل‌های رگرسیون حداقل مربعات جزئی (PLSR) و ANN برای پیش‌بینی SSC بر روی طیف‌های کامل و کاهش‌یافته توسعه یافتند. برای بهینه‌سازی دقت مدل‌ها، بیش از ۱۲ روش پیش‌پردازش بر روی طیف‌ها اعمال و تأثیر هر یک ارزیابی شد. نتایج نشان داد که مدل ANN بر پایه طول‌موج‌های منتخب و با اعمال پیش‌پردازش میانگین متحرک، به‌ویژه برای رقم خرمایی، به بالاترین دقت پیش‌بینی (989/0R² =  و 08/6 RPD =) دست یافت که حاکی از قابلیت عالی مدل برای پیش‌بینی کمی است. این پژوهش ثابت می‌کند که ترکیب طیف‌سنجی VIS/NIR با روش‌های نوین انتخاب ویژگی فراابتکاری مانند LCA، یک رویکرد جدید و کارآمد برای تعیین غیرمخرب SSC ارائه می‌دهد. 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.