پيش‏بيني تغييرات برخي از ويژگي‌هاي كيفي آب توت سياه (Morus alba Var nigra L.) طي مراحل مختلف رسيدگي بر اساس آناليز فركتال و بينايي ماشين

در اين پژوهش به‌منظور ارزيابي كيفيت آب توت سياه طي مراحل مختلف رسيدگي، پارامترهاي فركتالي استخراج شده توسط آناليز فركتال و پارامترهاي بيوشيميايي (TSS، ويتامين ث، اسيديته، فنول، آنتوسيانين، مواد ايجاد كننده رنگ قهوه‏اي و (pHبه‌ترتيب به‌عنوان ويژگي‏هاي غيرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبكه عصبي مصنوعي (ANN) و نزديكترين همسايه (kNN) به‌منظور توسعه مدل پيشگو و طبقه بندي داده ها استفاده گرديد. از ميان پنچ ويژگي استخراج شده از آناليز فركتال؛ Y و S كه به‌ترتيب مربوط به بيشيه فركتال و مساحت منحني فركتال مي‏باشند، به‌عنوان موثرترين ويژگي در فرآيند آموزش شبكه عصبي و طبقه بند kNN مورد استفاده قرار گرفتند. الگوريتم طبقه بند kNN تغييرات رنگ در هر چهار مرحله رسيدگي را با دقت 08/97 طبقه‏بندي نمود. همچنين شبكه عصبي آنتوسيانين را با مجذور ميانگين مربعات خطا (RMSE) 141/0، ضريب همبستگي 99/0، مواد ايجادكننده رنگ قهوه‏اي را با 0016/0= RMSE، ضريب همبستگي 97/0، فنول را با 879/1590=RMSE، ضريب همبستگي 8057/0، TSSرا با 0040/0=RMSE، ضريب همبستگي 907/0، اسيديته را با 50/3=RMSE، ضريب همبستگي 986/0، ويتامين ث را با 285/0=RMSE، ضريب همبستگي 878/0 و pH را با 00017/0=RMSE و ضريب همبستگي 99/0 پيش بيني نمود. بنابراين، نتايج اين بررسي نشان داد كه شبكه عصبي مصنوعي و طبقه بند kNN با آناليز فركتال مي تواند به‌عنوان يك روش مناسب در ارزيابي برخط پارامترهاي كيفي آب توت سياه طي مراحل رسيدگي مورد استفاده قرار گيرد.