آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 691 |
| تعداد مقالات | 7,137 |
| تعداد مشاهده مقاله | 11,458,380 |
| تعداد دریافت فایل اصل مقاله | 10,393,256 |
طبقه‌بندی هوشمند خاکستر آرد با استفاده از شبکه عصبی مصنوعی مبتنی بر داده‌های طیفی مرئی-فروسرخ نزدیک | ||
| نشریه فرآوری و نگهداری مواد غذایی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 آبان 1405 | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/fppj.2026.24532.1925 | ||
| نویسندگان | ||
| محمدحسین نرگسی* 1؛ کامران خیرعلی پور2؛ سمیه عزیزنیا3 | ||
| 1گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران. | ||
| 2گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران | ||
| 3گروه بهداشت و صنایع غذایی، دانشکده پیرا دامپزشکی، دانشگاه ایلام، ایلام، ایران | ||
| چکیده | ||
| ارزیابی کمی خاکستر، معیاری ضروری و استاندارد برای تعیین دقیق میزان سبوس در آرد گندم محسوب می‌شود. سبوس، به‌عنوان یکی از فرآورده‌های جانبی ارزشمند در فرآیند تولید آرد سفید، منبعی غنی از فیبرهای غذایی است و به‌طور گسترده‌ای در غنی‌سازی محصولات آردی، به‌ویژه در تولید نان‌های سبوس‌دار و باارزش غذایی بالا، مورد استفاده قرار می‌گیرد. کنترل دقیق این پارامتر، نقش تعیین‌کننده‌ای در کیفیت نهایی محصول و همچنین در استانداردهای تولید ایفا می‌کند. در این پژوهش، یک مدل هوشمند مبتنی بر پردازش داده‌های فراطیفی برای طبقه‌بندی سطوح مختلف خاکستر در آرد گندم توسعه یافته است. در این راستا، پس از مرحله اکتساب و پیش‌پردازش تصاویر فراطیفی، داده‌های طیفی استخراج‌شده در دو چارچوب مجزا مورد تحلیل قرار گرفت: با انتخاب ویژگی‌های بهینه و بدون انتخاب ویژگی. طبقه‌بندی در هر دو حالت با بهره‌گیری از الگوریتم شبکه عصبی مصنوعی انجام پذیرفت. یافته‌های تحقیق گویای کارایی چشمگیر مدل پیشنهادی است، به‌طوری‌که دقت طبقه‌بندی در حالت بدون انتخاب ویژگی 3/98 درصد و در حالت با انتخاب ویژگی به ۱۰۰ درصد رسید. این نتایج، نه‌تنها دقت عملیاتی بالای مدل را تأیید می‌کند، بلکه بر توانایی ذاتی شبکه‌های عصبی مصنوعی در شناسایی الگوهای پیچیده طیفی و تعمیم‌پذیری مناسب آن در شرایط متغیر آزمایشگاهی صحه می‌گذارد. در نتیجه، می‌توان استنتاج نمود که تلفیق فناوری تصویربرداری فراطیفی با یادگیری ماشینی، راهکاری نوین، دقیق و غیرمخرب را برای پایش و بهینه‌سازی سطح خاکستر آرد گندم فراهم می‌سازد. به‌کارگیری این رویکرد می‌تواند به‌صورت مستقیم در خطوط تولید، منجر به ارتقای کیفیت آرد و در نهایت، تولید محصولاتی با کیفیت برتر و استانداردهای تغذیه‌ای بالاتر گردد. ارزیابی کمی خاکستر، معیاری ضروری و استاندارد برای تعیین دقیق میزان سبوس در آرد گندم محسوب می‌شود. سبوس، به‌عنوان یکی از فرآورده‌های جانبی ارزشمند در فرآیند تولید آرد سفید، منبعی غنی از فیبرهای غذایی است و به‌طور گسترده‌ای در غنی‌سازی محصولات آردی، به‌ویژه در تولید نان‌های سبوس‌دار و باارزش غذایی بالا، مورد استفاده قرار می‌گیرد. کنترل دقیق این پارامتر، نقش تعیین‌کننده‌ای در کیفیت نهایی محصول و همچنین در استانداردهای تولید ایفا می‌کند. در این پژوهش، یک مدل هوشمند مبتنی بر پردازش داده‌های فراطیفی برای طبقه‌بندی سطوح مختلف خاکستر در آرد گندم توسعه یافته است. در این راستا، پس از مرحله اکتساب و پیش‌پردازش تصاویر فراطیفی، داده‌های طیفی استخراج‌شده در دو چارچوب مجزا مورد تحلیل قرار گرفت: با انتخاب ویژگی‌های بهینه و بدون انتخاب ویژگی. طبقه‌بندی در هر دو حالت با بهره‌گیری از الگوریتم شبکه عصبی مصنوعی انجام پذیرفت. یافته‌های تحقیق گویای کارایی چشمگیر مدل پیشنهادی است، به‌طوری‌که دقت طبقه‌بندی در حالت بدون انتخاب ویژگی 3/98 درصد و در حالت با انتخاب ویژگی به ۱۰۰ درصد رسید. این نتایج، نه‌تنها دقت عملیاتی بالای مدل را تأیید می‌کند، بلکه بر توانایی ذاتی شبکه‌های عصبی مصنوعی در شناسایی الگوهای پیچیده طیفی و تعمیم‌پذیری مناسب آن در شرایط متغیر آزمایشگاهی صحه می‌گذارد. در نتیجه، می‌توان استنتاج نمود که تلفیق فناوری تصویربرداری فراطیفی با یادگیری ماشینی، راهکاری نوین، دقیق و غیرمخرب را برای پایش و بهینه‌سازی سطح خاکستر آرد گندم فراهم می‌سازد. به‌کارگیری این رویکرد می‌تواند به‌صورت مستقیم در خطوط تولید، منجر به ارتقای کیفیت آرد و در نهایت، تولید محصولاتی با کیفیت برتر و استانداردهای تغذیه‌ای بالاتر گردد. | ||
| کلیدواژه‌ها | ||
| پردازش تصویر؛ تصویربرداری فراطیفی؛ شبکه عصبی مصنوعی؛ میزان خاکستر؛ یادگیری ماشینی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب