Nondestructive Estimation of the Chlorophyll b of Apple Fruit by Color and Spectral Features Using Artificial Neural Network

Abbaspour-Gilandeh, Yousef Nondestructive Estimation of the Chlorophyll b of Apple Fruit by Color and Spectral Features Using Artificial Neural Network. University of Mohaghegh Ardabili.

[img] Text
Revised-Final-Report-Tarh-2.pdf

Download (1MB)

Abstract

Nondestructive estimation of the various physicochemical features of food, such as fruits and vegetables, will create a dramatic development in the food industry. The reason for this development is being non-destructive, online, and most importantly fast. Regarding the advantages, various researchers have focused on how non-destructive estimation of the physicochemical features of various nutrients. So, three main goals were pursued in this article. These objectives include 1. Nondestructive estimation of the chlorophyll b content of red delicious apple using color features and hybrid artificial neural network- cultural algorithm (ANN-CA), 2. Nondestructive estimation of chlorophyll b content of red delicious apple using spectral data (around a range of 680 nm) and hybrid Artificial Neural Network – biogeography-based algorithm (ANN-BBO), 3 - Nondestructive estimation of the chlorophyll b content of red delicious apple using different groups of selective spectra by the hybrid artificial neural network - differential evolution algorithm (ANN-DA). In each of these methods, 1000 replications were performed to evaluate the reliability of various hybrids of artificial neural network. Finally, the results indicated that the average determination coefficient in 1000 replications for hybrid artificial neural network - cultural algorithm and hybrid artificial neural network - the biogeography based optimization algorithm was 0.882 and 0.932, respectively. Also, the results showed that the highest value of the coefficient of determination among the different groups of effective features is related to the group of features with 10 spectra. The coefficient of determination in this case was 0.93.

Item Type: Other
Persian Title: تخمین غیرمخرب مقدار کلروفیل ب میوه سیب با استفاده از خصوصیات رنگی و طیف¬سنجی به کمک شبکه عصبی مصنوعی
Persian Abstract: تخمین غیرمخرب خصوصیات فیزیکوشیمیایی مختلف مواد غذایی مانند میوه‌ها و سبزیجات تحولی شگرف در صنعت غذایی ایجاد خواهد کرد. دلیل این تحول به، غیرمخرب بودن، برخط بودن و از همه مهم‌تر سریع بودن آن بر می‌گردد. با توجه به مزیت‌های گفته شده محققان مختلفی بر روی نحوه تخمین غیرمخرب خصوصیات فیزیکوشیمیایی مواد مختلف غذایی تمرکز داشته‌اند. به‌همین دلیل سه هدف اصلی در این مقاله دنبال گردید. این اهداف عبارتند از: 1- تخمین غیرمخرب مقدار کلروفیل ب میوه سیب رقم رد دلیشز با استفاده از خصوصیات رنگی و هیبرید شبکه عصبی مصنوعی- الگوریتم فرهنگی، 2- تخمین غیرمخرب مقدار کلروفیل ب میوه سیب رقم رد دلیشز با استفاده از داده‌های طیفی بازه اطراف 680 نانومتر و هیبرید شبکه عصبی مصنوعی - الگوریتم مبتنی‌بر جغرافیای زیستی، 3- تخمین غیرمخرب مقدار کلروفیل ب میوه سیب رقم رد دلیشز با استفاده از دسته‌های مختلف طیف‌های موثر انتخابی توسط هیبرید شبکه عصبی مصنوعی – الگوریتم تکامل تفاضلی. در هر یک از این روش‌ها به‌منظور بررسی قابلیت اعتماد هیبرید‌های مختلف شبکه عصبی مصنوعی، 1000 تکرار انجام شد. در نهایت نتایج نشان داد که میانگین ضریب تعیین در 1000 تکرار برای روش‌های هیبرید شبکه عصبی مصنوعی – الگوریتم فرهنگی و هیبرید شبکه عصبی مصنوعی - الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی به‌ترتیب 882/0 و 932/0 بود. همچنین نتایج نشان دادند که بالاترین مقدار ضریب تعیین در میان دسته‌های مختلف خصوصیات موثر مربوط‌به دسته خصوصیات با 10 طیف می‌باشد. ضریب تعیین در این حالت 93/0 بدست آمد.
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 07 Nov 2020 08:59
Last Modified: 07 Nov 2020 08:59
URI: http://repository.uma.ac.ir/id/eprint/12121

Actions (login required)

View Item View Item