Non-Destructive Estimation of Different Chemical Properties Using Averaging Based Ensemble Method of Different Hybrid Artificial Neural Networks and Effective Wavelengths

Pourdarbani, Razieh and Sabzi, Sajad and Kalantari, Davood Non-Destructive Estimation of Different Chemical Properties Using Averaging Based Ensemble Method of Different Hybrid Artificial Neural Networks and Effective Wavelengths. University of Mohaghegh Ardabili.

[img] Text
4گزارش نهایی طرح.pdf

Download (783kB)

Abstract

Obtaining non-destructively information about inside the fruit such as chemical properties enables them to be properly managed at different stages of growth as well as in the post-harvest operation. There are various methods for non-destructive estimation of chemical properties, the most applicable of which are near-infrared spectroscopy. In this regard, the purpose of the present study is to present an algorithm for non-destructive estimation of the chemical properties of titratable acidity (TA), soluble solids content (SSC), BrimA index and taste index. Two important parts of this algorithm were the selection of the most effective wavelengths and non-destructive estimation of the chemical properties mentioned. Effective Wavelengths Selected using hybrid artificial neural network – Artificial Bee Colony Algorithm (ANN-ABC). The chemical properties were estimated using averaging based ensemble method including artificial neural network hybrid - cultural algorithm (ANN-CA), hybrid artificial neural network - harmonic search (ANN-HS), hybrid artificial neural network - differential evolution (ANN-DE) and hybrid artificial neural network - Biogeography Based Optimization (ANN-BBO). Results showed that mean squared error and regression coefficient of averaging based ensemble method in estimating TA, SSC, BrimA index and taste index in the range of 450 to 1000 nm and in the best training state were 0.021 and 0.943, 0.048 and 0.951, 0.026 and 0.967, 0.019 and 0.951, respectively.

Item Type: Other
Persian Title: تخمین برخی از خصوصیات شیمیایی سیب رقم فوجی در مراحل مختلف رشد با استفاده از روش ترکیبی میانگین‌گیری بر اساس داده‌های طیفی و هیبرید‌های مختلف شبکه عصبی مصنوعی
Persian Abstract: یافتن اطلاعاتی از درون میوه‌ها به‌صورت غیر مخرب امکان مدیریت صحیح آن‌ها چه در مراحل مختلف رشد و چه در مراحل پس از برداشت را فراهم می‌کند. این اطلاعات شامل خصوصیات شیمیایی درون میوه‌ها و آسیب دیدگی و غیرو می‌باشد. روش‌های مختلفی جهت تخمین غیر مخرب خصوصیات شیمیایی وجود دارد که کاربردی ترین آن‌ها در زمینه کشاورزی و صنایع غذایی طیف‌سنجی نورمرئی/ نزدیک مادون قرمز می‌باشد. در همین راستا، هدف از تحقیق جاری ارائه یک الگوریتم جهت تخمین غیر مخرب خصوصیات شیمیایی اسیدیته تیتراسیون، مواد جامد محلول، شاخص BrimA و شاخص مزه می‌باشد. دو بخش مهم این الگوریتم عبارتند از انتخاب طول موج‌های موثر و تخمین غیر مخرب خصوصیات شیمیایی ذکر شده. طول موج‌های موثر با استفاده از روش هیبرید شبکه عصبی مصنوعی – الگوریتم زنبور عسل انتخاب شدند. جهت تخمین خصوصیات شیمیایی ذکر شده از روش میانگین‌گیری مبتنی‌بر هیبریدهای مختلف شبکه عصبی مصنوعی شامل هیبرید شبکه عصبی مصنوعی – الگوریتم فرهنگی، هیبرید شبکه عصبی مصنوعی – الگوریتم جستجوی هارمونی، هیبرید شبکه عصبی مصنوعی – الگوریتم تکامل تفاضلی و هیبرید شبکه عصبی مصنوعی – الگوریتم بهینه‌سازی مبتنی‌بر جغرافیای زیستی استفاده شد. نتایج نشان داد که مقدار میانگین مربعات خطا و ضریب رگرسیون روش میانگین‌گیری مبتنی‌بر هیبریدهای مختلف شبکه عصبی مصنوعی در تخمین اسیدیته تیتراسیون، مواد جامد محلول، شاخص BrimA و شاخص مزه برای حالتی که داده‌های طیفی مربوط‌به بازه 450 تا 1000 نانومتر به‌عنوان ورودی استفاده شدند در بهترین حالت آموزش به‌ترتیب عبارتند از 021/0 و 943/0، 048/0 و 951/0، 026/0 و 967/0، 019/0 و 951/0.
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: 08 Nov 2020 09:44
Last Modified: 08 Nov 2020 09:44
URI: http://repository.uma.ac.ir/id/eprint/12200

Actions (login required)

View Item View Item