پیش بینی محتوی چربی و طبقه بندی گوشت شتر مبتنی بر ترکیب روش غیر مخرب پردازش تصویر و شبکه های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران

2 عضو هیات علمی گروه علوم و مهندسى صنایع غذایى، دانشکده فنى و منابع طبیعى تویسرکان، دانشگاه بوعلى سینا، تویسرکان، ایران

3 دانش آموخته گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

4 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران

10.22104/jift.2021.5208.2067

چکیده

گوشت شتر به دلیل داشتن کلسترول و چربی کم و میزان پروتئین مناسب، می‌تواند جایگزین مناسبی برای سایر انواع گوشت‌ قرمز در رژیم غذایی انسان باشد. هدف از این تحقیق، بررسی و ارزیابی تازگی و مقدار محتوی چربی گوشت شتر با استفاده از فن‌آوری غیر مخرب ماشین‌ بینایی است. بنابراین، با استفاده از پردازش تصویر به عنوان یکی از روش های غیر مخرب و دستگاه سوکسله به عنوان روش مخرب، به پیش بینی مقدار محتوی چربی و طبقه بندی تازگی گوشت شتر پرداخته شد. در روش پردازش تصویر 108 ویژگی بافتی و 39 ویژگی رنگی در فضاهای رنگی RGB،HSV، HIS و CIElab از تصاویر نمونه ها استخراج شد. همچنین برای تخمین این پارامترها، از شبکۀ عصبی پیشخور با الگوریتم پس-انتشار با یک و دو لایۀ پنهان، تعداد نرون‌ و توابع انتقال مختلف استفاده شد. با توجه به نمودار رگرسیونی چربی به دست آمده از روش مخرب (چربی به دست آمده از دستگاه سوکسله) با چربی حاصله از روش غیر مخرب (ماشین بینایی) ضریب تبیین و دقت بین آن ها 841/0 به دست آمد. نتایج ارزیابی شبکه‌های عصبی نشان داد که مطلوب‌ترین شبکه برای طبقه بندی بر اساس تازگی، شبکة با یک لایۀ پنهان با توپولوژی 1-3-147، با توابع انتقال تانژانت سیگموئید-خطی به ترتیب در لایۀ پنهان اول و لایۀ خروجی و با ضریب تبیین 996/0 و میانگین خطای مربعات 22-10×3/2، و همچنین برای پیش بینی مقدار محتوی چربی، شبکة با دو لایۀ پنهان با توپولوژی 1-3-3-147 با تابع انتقال خطی-لگاریتم سیگموئید-لگاریتم سیگموئید در لایه‌های پنهان اول، دوم و لایۀ خروجی با ضریب تبیین و میانگین خطای مربعات به ترتیب 99/0 و 402/0 به دست آمد. بنابراین نتایج بدست آمده از این تحقیق، نشان می دهد که سامانه پیشنهادی با کمک فن‌آوری ماشین بینایی قادر است با دقت بسیار خوبی تازگی و مقدار چربی گوشت شتر را پیش بینی کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of image processing and artificial neural networks as a non-destructive approach to prediction of fat content and classification of camel meat

نویسندگان [English]

  • Zohreh Molaei 1
  • Majid Dowlati 2
  • Iman Golpour 3
  • Hamid GhasemKhani 4
1 Department of Mechanical Engineering of Biosystems, Faculty of Agriculture, University of Jiroft, Jiroft, Iran.
2 Department of Food Science and Technology, Tuyserkan Faculty of Engineering and Natural Resources, Bu-Ali Sina University, Tuyserkan, Iran.
3 Department of Mechanical Engineering of Biosystems, Faculty of Agriculture, University of Urmia, Urmia, Iran
4 Department of Mechanical Engineering of Biosystems, Faculty of Agriculture, University of Jiroft, Jiroft, Iran.
چکیده [English]

Camel meat can be a suitable alternative for other red meat types in human nutrition, due to its low cholesterol and low-fat content and the appropriate protein content. This research aims to investigate and evaluate the fat content and freshness of camel meat using machine vision technology as a non-destructive method. Therefore, using image processing as a non-destructive method and Soxhlet device as a destructive method, the amount of fat content was predicted, and also the freshness was classified for camel meat. In the image processing section, 108 textual features and 39 color features were extracted in the RGB, HSV, HIS, and CIElab color spaces. Moreover, to predict the freshness and quality of meat, feed-forward back propagation artificial neural networks with one and two hidden layers, a various number of neurons, and threshold functions were used. Also, according to the regression diagram of fat content obtained from the destructive method (fat content obtained from Soxhlet device) with fat content obtained from non-destructive method (machine vision), the coefficient of determination and accuracy between them achieved 0.841. The results of the evaluation of the neural networks showed that the best desirable network for classification based on freshness is a one-hidden layer network with topology 147-3-1, tangent-sigmoid transfer function at hidden layer and purelin transfer function at output layer (R2= 0.996), and also to prete of fat content the best network is two-hidden layer network with linear, log-sigmoid, log-sigmoid transfer function at first hidden layer, second hidden layer and output layer respectively (R2= 0.99). Therefore, the results of this study show that the proposed system with the help of machine vision technology can predict the freshness and fat content of camel meat with acceptable accuracy.

کلیدواژه‌ها [English]

  • Camel meat
  • Freshness
  • Fat content
  • Image Processing
  • Classification
  • ANNs

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 29 آبان 1400
  • تاریخ دریافت: 09 مهر 1400
  • تاریخ بازنگری: 22 آبان 1400
  • تاریخ پذیرش: 29 آبان 1400