کم[۴۲] و همکاران (۲۰۰۹) ویژگی­های کیفی آب نه رقم میوه انار متعلق به کشور ترکیه را بررسی کردند. خواصی مانند قند کل، اسیدیته کل، pH و مواد جامد محلول اندازه ­گیری شدند. در نهایت نتایج نشان داد که اختلاف معنی­داری در خصوصیات ذکر شده بین ارقام مختلف وجود دارد و بر اساس همین خواص بهترین رقم انتخاب شد. همچنین آب میوه­های انار در کلاس های مختلف بر اساس خواص کیفی آنها طبقه ­بندی شدند.
تهرانی فر[۴۳] و همکاران (۲۰۱۰) خواص فیزیکی و شیمیایی و فعالیت آنتی اکسیدانی ۲۰ رقم میوه انار متعلق به کشور ایران را بررسی کردند. خواص فیزیکی شامل وزن، حجم، جرم حجمی، طول، قطر نسبت طول به قطر، ضخامت پوست، وزن پوست، درصد پوست، وزن آریل، درصد آریل، وزن آب درصد آب، و خواص شیمیایی شامل pH، مواد جامد محلول، اسیدیته کل، شاخص رسیدگی، قند کل، میزان آنتوسیانین، میزان آسکوربیک اسید، فنول کل و فعالیت آنتی اکسیدانی بودند. در نهایت آنها نتیجه گرفتند در همه خواص ذکر شده در بالا اختلاف معنی­داری بین ارقام مختلف وجود دارد.
مارتینز[۴۴] و همکاران (۲۰۱۲) خصوصیات فیزیکو شیمیایی شش رقم واریته انار متعلق به کشور مراکش را بررسی کردند. آنها در این تحقیق ویژگی­های مورفیولوژی[۴۵] و ارگانیک[۴۶] میوه­های انار و آریل آنها را مدنظر قرار دادند. آنها همچنین برخی از خصوصیات شیمیایی آب میوه انار مانند مواد جامد محلول، pH، اسیدیته کل، فیبر و شاخص رسیدگی را نیز ارزیابی کردند. آنها بر اساس خواص فیزیکو شیمیایی که اندازه گرفته بودند میوه­های انار را به دو دسته ترش و شیرین کلاس­بندی کردند و در نهایت دو رقم را به عنوان بهترین ارقام بر اساس خواص ذکر شده معرفی کردند.
زایای[۴۷] و همکاران (۲۰۱۲) خصوصیات فیزیکی و شیمیایی و فعالیت آنتی اکسیدانی ۱۳ رقم میوه انار متعلق به جنوب کشور تانزانیا را بررسی کردند. آنها خواصی مانند اندازه میوه، رنگ پوست ضخامت پوست، رنگ آب، مواد جامد محلول، pH، اسیدیته کل، فنول کل، میزان آنتوسیانین و فعالیت آنتی اکسیدانی را در ارقام مختلف اندازه گرفتند. آنها نتیجه گرفتند اختلاف معنی­داری در خصوصیات ذکر شده در بین ارقام مختلف وجود دارد. همچنین آنها به یک رابطه معنی­دار بین فعالیت آنتی اکسیدانی و شاخص رنگی aدست یافتند و در نهایت پیشنهاد کردند که برخی از خصوصیات شیمیایی آب میوه انار می ­تواند به عنوان یک معیار کیفیت سنجی در صنعت غذا مورد استفاده قرار گیرد.
۲-۱۳-۲ استفاده از روش­های غیر مخرب در ارزیابی کیفیت میوه­ ها
امروزه اکثر محققان به دنبال استفاده از روش­های غیر مخرب برای تخمین کیفیت میوه­ ها می باشند. روش­های مخرب به دلیل اینکه نیاز به زمان و هزینه زیادی دارند جای خود را به روش­های غیر مخرب که سریع و ارزن هستند داده­اند. چنانکه در سال­های اخیر پژوهش­های زیادی بر روی استفاده از تکنیک­های غیر مخرب مانند روش الکتریکی، مادون قرمز، پاسخ تشدید مغناطیسی، فرا صوت و تکنیک پردازش تصویر برای ارزیابی کیفی میوه­ ها انجام شده لست.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

توماس[۴۸] و همکاران (۱۹۹۵) توانستند با اشعه ایکس انبه­هایی را که توسط حشرات از داخل آسیب دیده بودند از انبه­های سالم جدا کنند. میوه­های انبه­ای که توسط حشرات مورد هجوم قرار می­گرفتند از داخل دچار خرابی می­شدند که این خرابی هیچگونه نشانه خارجی قابل دید نداشت و باعث کاهش کیفیت میوه و کم شدن قابل توجه ارزش اقتصادی آن و محدودیت در صادرات آن بصورت تازه می­شد. در این تحقیق میوه­هایی که توسط حشرات آسیب دیده بودند در عکس گرفته شده با اشعه ایکس دارای یک منطقه به رنگ خاکستری تیره بودند در حالی که در میوه­های سالم این منطقه به رنگ خاکستری روشن دیده می­شد.
بارسلون[۴۹] و همکاران (۱۹۹۹) در تحقیقی که روی میوه هلو انجام دادند با بهره گرفتن از تکنولوژی سی­تی اسکن[۵۰] تغییرات کیفیت داخلی هلو را در زمان­های مختلف رسیدگی اندازه ­گیری کردند. آنها توانستند رابطه­ای خطی بین ضریب جذب با چگالی، رطوبت، مواد جامد محلول و مقدار pH به دست بیاورند. نتایج نشان داد که با افزایش رطوبت، عدد سی­تی[۵۱] نیز افزایش یافته است. رابطه بین عدد سی­تی و محتوای رطوبت یک رابطه خطی با ضریب تبیین ۹۷/۰ بود. همچنین چگالی و عدد سی­تی یک رابطه خطی افزایشی داشتند. اما رابطه­ بین عدد سی­تی با مواد جامد محلول و pH یک رابطه خطی کاهشی بود.
کیم[۵۲] و همکاران (۲۰۰۰) به طراحی یک سیستم برای جدا کردن سیب­های آب گز شده پرداختند. آب گز[۵۳] یک اختلال داخلی می­باشد که باعث خرابی بافت محصول می­ شود که منجر به از دست رفتن و یا کم شدن ارزش اقتصادی محصول می­ شود. در این تحقیق امکان استفاده از عکس برداری دو بعدی با اشعه ایکس برای تشخیص آسیب­های داخلی سیب بررسی شد. نتایج نشان داد که سیستم قادر است سیب­ها را به دو گروه سالم و ناقص با خطای %۸-۵ دسته­بندی کند. در این پژوهش از همه سیب­ها در جهت­های یکسانی عکس گرفته شد و موقیعت­های قرارگیری تصادفی سیب­ها آزمایش نشد. بررسی­ها همچنین نشان داد که موقیعت قرارگیری سیب ها اثر کمی بر نتایج خواهد داشت.
کاروناکاران[۵۴] و همکاران (۲۰۰۴) پژوهشی بر روی گندم انجام دادند و با بهره گرفتن از اشعه ایکس توانستند جرم دانه گندم را تعیین کنند. آنها همچنین توانستند یک رابطه خطی بین مساحت بدست آمده از عکس­هایی که توسط اشعه ایکس از دانه­ها گرفته شده بود با جرم دانه با ضریب تبیین ۸۸/۰ بدست بیاورند. رابطه بین مقدار کل پیکسل­های خاکستری و مساحت دانه­ها دارای ضریب تبیین ۷۷/۰ بود. این مقدار در آنالیز عکس­ها به صورت نگاتیو به مقدار ۸۸/۰ افزایش یافت. رابطه بین مقدار پیکسل­های خاکستری در آنالیز عکس­ها به صورت نگاتیو و جرم دانه دارای ضریب تبیین ۷۷/۰ بود.
کومار و بال[۵۵] و همکاران (۲۰۰۷) برای پیدا کردن ترک در دانه برنج از اشعه ایکس استفاده کردند. پیدا کردن ترک­ها در دانه برنج به روش­های دیگر کاری سخت و زمان بر می­باشد. در این پژوهش کاربرد اشعه ایکس برای تشخیص ترک در دانه برنج بررسی شد. آنها دانه­ های برنج را در معرض اشعه ایکس قرار دادند و سپس از آن عکس گرفتند. در عکس­ها به وضوح جزئیات دانه شامل ترک­ها و فضای خالی بین پوست و دانه مشخص بود. الگوریتم بکار گرفته شده در این مطالعه قادر بود تعداد ترک­های افقی، عمودی، و کل ترک­ها را به ترتیب با دقت %۹۷، %۹۸، و %۹۷ محاسبه کند و نمایش دهد.
کوتوالیویل[۵۶] و همکاران (۲۰۰۷) برای تعیین کیفیت گردو از اشعه ایکس استفاده کردند. آنها در این پژوهش به این نتیجه رسیدند که متوسط شدت پیکسل یک پارامتر مناسب برای تعیین کیفیت مغز گردو می­باشد. متوسط شدت پیکسل پایین نشان دهنده نامرغوب بودن یا نداشتن مغز بود. کیفیت مغز همچنین توسط تغییرات متوسط پیکسل­ها در یک عکس تعیین شد. مغز نارس یا آسیب دیده موجب تغییرات بالاتر در عکس شده بود. این دو پارامتر در تعیین مغز میوه آسیب دیده، چروکیده و میوه فاقد مغز موفقیت آمیز بودند. همچنین آنها توانستند حجم مغز داخل گردو را با خطای کمتر از %۱۰ تخمین بزنند.
نیتراجان و ووبلینگ[۵۷] و همکاران (۲۰۰۸) به بررسی امکان تعیین خلل و فرج گندم و نخود فرنگی در یک محفظه سه بعدی با بهره گرفتن از توموگرافی کامپیوتری پرداختند. ویژگی­هایی از قبیل سطح تصویر ویژه، خلل و فرج و سطح گلویی بین دانه­ها را به عنوان ویژگی­های هندسی که باید از عکس­ها استخراج شوند، مدنظر قرار گرفتند. آنها در پایان نتیجه گرفتند که یک رابطه قوی بین ویژگی­های اندازه ­گیری شده مانند جرم حجمی توده­ای و ویژگی­های استخراج شده از تصاویر وجود دارد.
ذکی دیزجی و همکاران (۱۳۸۸) به ساخت سامانه­ کیفیت سنج فراصوتی برای محصولات کشاورزی پرداختند. در این پژوهش ابتدا سامانه­ کیفیت سنج فراصوتی طراحی و ساخته شد که اساس کار آن پردازش سیگنال­های عبوری از محصولات کشاورزی است .قسمت­ های اصلی آن شامل تپ­ساز و تپ­گیر، کاوشگرهای فرستنده و گیرنده، برنامه­ی کنترل، رایانه، و سامانه جمع آوری داده ­ها بود. سامانه با پردازش سیگنال­ها به صورت نیمه خودکار ویژگی­های سرعت و میزان تضعیف را تعیین می­کرد. در ادامه آزمایشات اثر ماده­ واسط، نیروی تماسی، ضخامت نمونه­ها و لایه­ های تاخیر بر سیگنال دریافتی بررسی شد .آزمایش­ها با نمونه­های تهیه شده از بافت برخی محصولات کشاورزی اجرا شد. طول نمونه­ها با توجه به نوع محصولات کشاورزی از ۵ تا ۱۲۰ میلی متر متغیر بود. نتایج نشان داد با بهره گرفتن از امواج غیر پیوسته (تپی) با بسامدKHz 40 و توان نسبتا کم می­توان امواج فراصوت را از بیشتر محصولات کشاورزی عبور داد. آزمایش­ها نشان داد که با در نظر گرفتن ماده­ واسط، ضخامت مناسب نمونه و نیروی تماسی کم، سامانه کیفیت­ سنج فراصوتی می ­تواند با دقت خوب و سرعت مناسب میزان تضعیف و سرعت امواج عبوری از نمونه­ها را اندازه ­گیری کند.
عباس­زاده و همکاران (۱۳۸۹) روشی برای ارزیابی غیرمخرب رسیدگی هندوانه بااستفاده از ال دی وی[۵۸] ارائه کردند. قضاوت در مورد رسیدگی هندوانه با بهره گرفتن از خصوصیات ظاهری آن مثل اندازه یا رنگ بیرونی بسیار مشکل می­باشد و روش­های بکاررفته دارای مشکلات و محدودیت­های مختلفی هستند. در این پژوهش روشی جدیدی با بهره گرفتن از فناوری LDVبرای آزمون رسیدگی هندوانه که فاقد بسیاری از این محدودیت­ها است ارائه شد. ابتدا نمونه­ها با بهره گرفتن از یک دستگاه مولد ارتعاش در یک گستره از فرکانس­ها تحریک می­شدند. ارتعاش اعمال شده به میوه توسط تکاننده به وسیله شتاب سنجی که در محل قرارگیری میوه نصب شده بود اندازه ­گیری می­شد و بطور همزمان پاسخ ارتعاشی قسمت بالای میوه به وسیله LDV اندازه ­گیری می­شد. با بهره گرفتن از یک الگوریتم تبدیل فوریه سریع و با در نظرگیری نسبت سیگنال­های پاسخ به سیگنال­های تحریک پاسخ فرکانسی میوه مورد پردازش و تحلیل قرار می­گرفت و نتایج مورد نظر استخراج ­شد. بعد از انجام آزمون­های غیرمخرب هندوانه­ها مورد ارزیابی حسی قرار گرفتند. به این ترتیب که نمونه­ها بر اساس شاخص­ های کیفی معمول یعنی شیرینی، طعم، رنگ، بافت و همچنین از لحاظ مقبولیت کلی (مجموع صفات مورد نظر مصرف کنندگان) در گستره­ای از رسیدگی درجه­بندی شدند. نتایج بررسی پاسخ ارتعاشی نشان داد اختلاف معنی­داری بین فرکانس تشدید دوم و شیرینی، طعم، رنگ و بافت در سطح ۱% وجود ندارد. ضمنا رابطه معنی­داری بین این فرکانس و مقبولیت کلی و همچنین شاخص بدست آمده از رابطه و رنگ درسطح ۵% مشاهده شد. ارتباط معنی داری نیز در سطح ۱% مابین تغییر فاز در فرکانس ۲۰۰ هرتز و نتایج آزمون حسی بدست آمد. نتایج اختلاف معنی­داری را در سطح ۵% بین تغییر فاز در فرکانس ۱۵۰ هرتز و طعم و مقبولیت کلی و همچنین بین تغییر فاز در فرکانس ۲۵۰ هرتز و رنگ هندوانه­ها نشان نداد.
چوانگ[۵۹] و همکاران (۲۰۱۱) به طراحی و ساخت یک سیستم موثر تشخیص آلودگی و امراض در محصولات کشاورزی با بهره گرفتن از اشعه ایکس پرداختند. کار آنها شامل طراحی مکانیکی، ابزار مکاترونیک، دستگاه تولید اشعه ایکس، دستگاه حافظه چرخان اطلاعات[۶۰] (CCD)، دستگاه پردازش عکس­ها، مانیتور به منظور آنالیز و کنترل نرم افزارها و الگوریتم پردازش عکس در دستگاه پوینده اتوماتیک تشخیص امراض بوسیله اشعه ایکس بود. عملیات پردازش تصویر شامل توسعه تشخیص سیاه و روشن[۶۱]، عملیات فیلتر میانه، عملیات مورفولوژی ریاضی[۶۲] و آستانه­یابی خودکار با بهره گرفتن از آزمون آماری Z برای عکس­های دارای آسیب بود. نتایج آنها نشان داد که دستگاه تشخیص امراض و آلودگی میوه­ ها با بهره گرفتن از اشعه ایکس توانایی بالایی در تشخیص آسیب میوه­ ها دارد به طوریکه درصد حساسیت، درصد دقت و درصد تشخیص به ترتیب ۸/۹۶%، ۷/۹۸% و ۸/۹۶% بدست آمد که به طور معنی­داری بالاتر از نوع تجاری آن بود.
۲-۱۳-۳ تحقیقات انجام شده در زمینه پردازش تصویر
وان[۶۳] و همکاران (۲۰۰۲) یک سیستم ماشین بینایی به منظور ارزیابی کیفی دانه­ های برنج طراحی کردند. آنها در ارزیابی پردازش تصویر خود برای طبقه ­بندی دانه­ های برنج از سه دسته ویژگی آن­ها به شرح زیر استفاده کردند:
خصوصیات مربوط به شکل دانه­ها مانند محیط، مساحت، نسبت طول به عرض و … .
خصوصیات رنگی مربوط به سطح دانه­ها مانند متوسط مقدار قرمزی و سبزی و زردی.
خصوصیات شفافیت سطح دانه­ها در نورپردازی از زیر مانند مساحتی از سطح که روشن شده است و میزان شفافیت آن.
نتایج حاصل از آزمایش الگوریتم نشان داد که ۶/۹۰% از دانه­ها در گروه مناسب خود قرار گرفته­اند. این سیستم توانایی بازرسی ۱۲۰۰ دانه در دقیقه را داشت.
آنامالایی[۶۴] و همکاران (۲۰۰۴) اقدام به ساخت سیستمی بر مبنای ماشین بینایی نمودند که با بهره گرفتن از آن به تعیین میزان عملکرد مرکبات اقدام نمودند. این سیستم متشکل از یک دوربین آنالوگ، یک دستگاه مکان­ یابی افتراقی و یک مسافت سنج بود. آن­ها از ۹۸ درخت اقدام به عکسبرداری نمودند و این درختان به بیش از ۴۸ کرت مساوی تقسیم بندی شده بودند. به منظور جلوگیری از تداخل عکس­ها با یکدیگر از محدود کردن محدوده­ دید دوربین و نیز یک مسافت سنج استفاده نمودند. سپس به منظور جدا کردن میوه­ ها از درختان از محدوده­ رنگی HSI استفاده کردند. آنها همچنین از یک الگوریتم ماشین بینایی به منظور ارتقاء و استخراج عکس­های گرفته شده استفاده کردند. این الگوریتم بر روی ۳۲۹ عکس آزمایش شد و در نهایت ضریب همبستگی ۷۹/۰ بین تعداد میوه­های تشخیص داده شده توسط الگوریتم ماشین بینایی و تعداد متوسط میوه­های شمارش شده به صورت دستی وجود داشت. مدت زمان لازم برای پردازش هر عکس به طور کامل ۵/۱۱۹ میلی ثانیه بود. تصاویر مربوط به هر کرت با یکدیگر ترکیب شدند تا بتوانند مجموع تمام میوه­های موجود در هر کرت را ارزیابی کنند. پس از انجام آزمایشات و بدست آوردن اطلاعات ۴۴ کرت به منظور واسنجی و ارزیابی داده ­های مجموعه مورد استفاده قرار گرفته شد. آن­ها توانستند یک مدل توسعه یافته برای عملکرد مرکبات با بهره گرفتن از دسته داده ­های واسنجی شده بدست آوردند. مقدار ضریب همبستگی بین تعداد میوه­های کرت شمارش شده توسط مدل پیش بینی عملکرد و تعداد میوه­های کرت شمارش شده به صورت برداشت دستی به منظور ارزیابی دسته داده ­ها ۵۳/۰ بود.
چین کولون[۶۵] و همکاران (۲۰۰۷) دستگاهی به منظور تخمین عملکرد مرکبات با بهره گرفتن از پردازش تصویر طراحی کردند. آن­ها برای این منظور اقدام به ساخت یک سکوی آزمایش نمودند. این سکوی آزمایش شامل یک تسمه نقاله بود که محصول بر روی آن قرار می­گرفت. بر روی این تسمه نقاله اتاقکی ساخته بودند که دارای یک مسافت سنج[۶۶] به منظور تعیین موقعیت یک دستگاه مکان یابی افتراقی، یک دوربین، چهار لامپ هالوژن و یک لپ تاپ بود. آن­ها این سامانه را بر روی یک دستگاه که متشکل از یک تکان­دهنده گیاه و یک ماشین برداشت محصول بود سوار کردند. میوه­ ها پس از ورود به این سامانه مرتب شده و در کنار هم و در یک ردیف قرار می­گرفتند. سپس با بهره گرفتن از دوربین از آن­ها عکس گرفته می­شد. برای انجام عملیات نمونه برداری الگوریتمی بر اساس رنگ نوشته شد که با بهره گرفتن از این الگوریتم مقدار مساحت سطح میوه و تعداد میوه­ ها شمارش می­شد. آن­ها برای رسم نمودار از سکوی آزمایش ۱۴ آزمایش را انجام دادند. پس از انجام آزمایشات وزن میوه­ ها اندازه ­گیری شد و رابطه­ای بین مساحت سطح میوه بر حسب پیکسل و وزن آن رسم گردید که دارای ضریب همبستگی ۹۶۲/۰ بود. از سوی دیگر به منظور آزمایش الگوریتم شمارنده میوه ۶۰ عکس را در نظر گرفتند و تعداد میوه­ ها در هر عکس را به صورت دستی شمارش کردند و پس از آن تعداد میوه­ ها را با بهره گرفتن از الگوریتم نوشته شده محاسبه کردند. بین تعداد میوه­ی محاسبه شده با بهره گرفتن از الگوریتم و تعداد آن­ها به صورت دستی رابطه­ای با ضریب همبستگی ۸۹۱/۰ بدست آمد.
محبی[۶۷] و همکاران (۲۰۰۹) یک روش بر اساس سیستم بینایی کامپیوتر[۶۸] برای تخمین سطح رطوبت میگو با رنگ­سنجی در طی فرایند خشک شدن ارائه دادند. از آنجایی که فضای رنگی در محصولات از نوع L*a*b است انتقال فضای رنگی RGB به L*a*b با روش دو مرحله­ ای و فاکتورy انجام گرفت. داده ­های عملی بدست آمده از عکس­ها در دما­های مختلف خشک کردن (۱۳۰-۱۰۰ درجه سلسیوس) و فواصل زمانی (min180-15) با طرح بلوک کامل تصادفی و مقایسه میانگین با بهره گرفتن از روش چند دامنه­ای دانکن مورد تحلیل قرار گرفت. رگرسیون خطی چند­گانه[۶۹] و شبکه عصبی مصنوعی[۷۰] برای تعیین همبستگی خصوصیات رنگی با محتوای رطوبت میگو که با روش­های شیمیایی تعیین شده بود بکار رفتند. نتایج نشان داد که هر دو روش به ترتیب ضریب همبستگی ۸۰/۰ و ۸۶/۰ را دارند در حالی که بین این دو در سطح ۰۵/۰p< اختلاف آماری وجود ندارد.
اسواین[۷۱] و همکاران (۲۰۱۰) با بهره گرفتن از پردازش تصاویر رنگی میزان عملکرد میوه زغال اخته[۷۲] را با طراحی سامانه­ای تخمین زدند. این سامانه متشکل از یک وسیله­ نقلیه، یک دوربین، یک دستگاه GPS و یک دستگاه کامپیوتر بود. برای داده برداری به شکل دستی از کرت­هایی با مساحت ۲۵ متر مربع اقدام به عکس برداری نمودند. عکس برداری از ارتفاع ۵/۱ متری و به وسیله­ دوربینی با وضوح ۱۰ مگا پیکسل از بالای سطح زمین و در هر ۲/۲ ثانیه صورت می­گرفت. برای انجام عملیات عکس برداری وسیله­ نقلیه با سرعت ۸/۱ کیلومتر بر ساعت حرکت می­کرد. نتایج آزمایشات آن­ها نشان داد که تغییرات نور در کیفیت عکس­ها و استخراج داده ­ها از عکس­ها بی تأثیر بوده است. آن­ها به منظور تخمین عملکرد محصول اقدام به عکس برداری از سطحی به ابعاد ۱/۱ در ۴/۱ مترمربع کردند. اما محدوده­ ۵/۰ متر در ۵/۰ متر هر تصویر را از هر عکس استخراج کردند. با کد نویسی به زبان دلفی و c اقدام به نوشتن برنامه­ای به منظور تخمین عملکرد زغال اخته نمودند. برای محاسبه­ی پیکسل­های آبی محصول در یک ناحیه آن­ها را به شکل درصدی از کل پیکسل­های ناحیه بیان کردند. برای برقراری یک رابطه میان تعداد پیکسل­ها و عملکرد محصول از رگرسیون خطی استفاده نمودند. برای این منظور ابتدا این رابطه را برای کرت اول معادل سازی کرده و سپس نتیجه­ حاصله را برای کرت دوم استفاده کردند. ضریب همبستگی بین پیکسل­های آبی کرت اول ارتباط بسیار معنی­داری با محصول برداشت شده داشت و در کرت دوم مقدار آن ۹۶۷/۰ گزارش شد که بیانگر همبستگی بالاتری بین مقدار واقعی و پیش بینی شده در کرت دوم نسبت به کرت اول بود.
لیمینگ[۷۳] و همکاران (۲۰۱۰) با بهره گرفتن از پردازش تصویر دستگاهی جهت درجه­بندی توت فرنگی ساختند. این دستگاه توت­فرنگی را بر اساس سه خصوصیت شکل، اندازه و رنگ درجه­بندی می­کرد. سیستم می­توانست با رسم خطوط و سپس با الگوریتم کلاستر میانگین k از عکس توت فرنگی خصوصیات شکل را بدست آورد. رنگ غالب که با روش کانال انتخاب شد به عنوان رنگ توت فرنگی بیان شد و بزرگترین قطر میوه توصیف­کننده اندازه میوه بود. دستگاه می­توانست با بهره گرفتن از یک، دو یا سه خصوصیت توت­فرنگی را در سه یا چهار دسته درجه­بندی کند. در نهایت نتایج آزمایش­ها نشان داد که خطای تشخیص اندازه توت فرنگی کمتر از ۵% و دقت درجه­بندی رنگ ۸/۸۸% و دقت طبقه ­بندی شکل بالای ۹۰% است و زمان میانگین برای درجه­بندی هر توت فرنگی ۳ ثانیه می­باشد.
فصل سوم
مواد و روشها
در طی سالهای اخیر در دنیا توجه بسیاری از پژوهشگران به تعیین کیفیت محصولات کشاورزی با روش های غیر مخرب معطوف شده است که محور اصلی تحقیقات پس از برداشت میوه‌ها و محصولات زراعی شده‌اند و حجم تحقیقات در این زمینه به صورت فزاینده­ای رو به افزایش است. در این فصل ابتدا به نحوه تعیین خواص بیوفیزیکی میوه انار پرداخته می­ شود. در ادامه روش عکس برداری با اشعه ایکس و عملیات پردازش تصویر لازم جهت بخش بندی ساختار درونی میوه انار به سه بخش پوست، آریل و هسته شرح داده می­ شود و در نهایت روش آنالیز روابط رگرسیون و روش چاو به منظور ارزیابی آنها توضیح داده خواهد شد.
۳-۱ انتخاب ارقام و برداشت میوه
جهت انجام این پژوهش ارقام رباب ملس و رباب ترش (زارچ) استان فارش واقع در شهرستان نیریز انتخاب شدند. رقم رباب معروف­ترین و گسترده­ترین رقم تجاری مورد کشت و کار در استان فارس می­باشد. رقم رباب ملس دارای اندازه درشت و متوسط بوده که از لحاظ بازار پسندی و امکان بسته­بندی برای بازار داخلی و صادرات مطلوب می­باشد. رنگ پوست این رقم قرمز گلی و دارای دانه­هایی با اندازه متوسط، رنگ قرمز معمولی و طعم ملس است. این رقم دارای قابلیت انبارداری بسیار خوب بوده که دانه­ها و پوست آن به مدت زیادی کیفیت خود را در انبار حفظ می کند. رقم رباب ترش(زارچ) بیشتر مصرف داخلی دارد و کمتر برای صادرات استفاده می گردد. رنگ پوست این رقم زرد مایل به سبز و دارای دانه­ های صورتی با اندازه متوسط و طعم ترش می­باشد. به منظور بررسی پارامترهای بیوفیزیکی این ارقام در تاریخ ۱۵ مهر ماه سال ۱۳۹۰ با مراجعه به باغ­های شهرستان نیریز واقع در استان فارس نسبت به تهیه این ارقام اقدام گردید. سپس میوه­های انار بلافاصله به سردخانه واقع در بخش علوم باغبانی دانشکده کشاورزی در دانشگاه شیراز انتقال و در دمای ۷-۶ درجه سلسیوس نگه­داری شدند.
۳-۲ انتخاب اندازه میوه­ ها
به منظور بررسی تاثیر اندازه میوه­ بر روی پارامتر­های بیوفیزیکی میوه انار علاوه بر رقم دو اندازه مختلف نیز در نظر گرفته شد. معیار انتخاب اندازه ها قطر معادل هندسی بود. به منظور اندازه ­گیری ابعاد محوری میوه­های انار شامل قطر اول (a)، قطر دوم (b) و طول © (دو قطر اول و دوم در یک صفحه و عمود بر هم و طول میوه در صفحه عمود بر صفحه دو قطر می­باشد) از یک کولیس الکترونیکی مدل L9001G ساخت کشور چین با دقت ۰۱/۰± میلی­متر (شکل ۳-۱) استفاده شد.
سپس قطر معادل هندسی (Dg) با بهره گرفتن از رابطه زیر تعیین شد (Mohsenin, 1996):

شکل ۳- ۱ کولیس الکترونیکی برای اندازه گیری ابعاد
در این پژوهش از دو قطر معادل ۷۰ و ۸۰ میلی­متر و برای تعیین محدوده تغییرات از ضریب تغییرات ۷%=CV استفاده گردید. بنابراین میوه­های انتخابی در محدوده­های ۷۵-۶۵ و ۸۵-۷۵ میلی­متر قرار گرفتند.
۳-۳ اندازه ­گیری رطوبت اولیه دانه و پوست میوه­های انار
برای اندازه ­گیری رطوبت اولیه دانه و پوست میوه­های انار از روش خشک کردن در آون استفاده شد. منصوری و مینایی (۱۳۸۵) رطوبت نمونه­های خشک شده به روش وزنی را در دمای ۷۰ درجه سلسیوس به مدت ۶۸ ساعت تا رسیدن به قرائت یک هزارم گرم تفاوت وزنی محاسبه نمودند. روش بدست آوردن رطوبت اولیه به این صورت بود که ابتدا نمونه دانه­ های انار و پوست را در آون در دمای ۷۰ درجه سلسیوس قرار داده و سپس بعد از ۲۴ ساعت هر دو ساعت یک بار آنها را وزن کرده و وقتی که کاهش وزن نمونه در دو قرائت متوالی از ۲ میلی­گرم بیشتر نشد وزن نمونه را به عنوان وزن خشک در نظر گرفته و از رابطه زیر درصد رطوبت آن را بر پایه تر محاسبه شد (Mohsenin, 1996).
= درصد رطوبت براساس وزن تر
= وزن اولیه نمونه
= وزن نمونه بعد از خشک شدن
۳-۴ اندازه ­گیری پارامترهای بیوفیزیکی میوه انار
پارامترهای بیوفیزیکی مورد نظر در این تحقیق شامل وزن میوه، طول میوه، قطر اول و دوم میوه، حجم میوه، جرم حجمی میوه، ضخامت پوست، وزن پوست، درصد وزن پوست به وزن میوه وزن آریل، درصد وزن آریل به وزن میوه، وزن آب میوه، درصد آب میوه به وزن میوه، درصد وزن آب میوه به وزن آریل، وزن هسته، درصد وزن هسته به وزن میوه، درصد وزن هسته به وزن آریل بودند.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...