شناسايي ژنوتيپ هاي سيب زميني پس از دورۀ انبارماني با استفاده از تركيب روش هاي پردازش تصوير و شبكۀ عصبي مصنوعي

براي ايجاد اطمينان از عرضۀ پيوستۀ سيب زميني به مصرف كنندگان و صنايع فرآوري اين محصول، ذخيره سازي آن ضروري است. هنگام ذخيره سازي، تغييرات فيزيولوژيكي و اتلاف آب در سيب زميني باعث مي شود رنگ، شكل، اندازه و بافت آن تغييركند. بنابراين، براي تعيين كيفيت محصول نياز به روش هاي دقيق و سريع خواهد بود. در اين مطالعه، از روش ماشين بينايي و شبكۀ عصبي مصنوعي براي كلاسه بندي و مدل سازي دو نمونه سيب زميني ذخيره شده در شرايط ثابت و متغير استفاده شد. از بين 29 پارامتر اندازه گيري شده مربوط به ويژگي هاي رنگ، بافت و مورفولوژيكي، سه ويژگي طول قطر بزرگ، فشردگي و مساحت (از ويژگي هاي مورفولوژيكي)، دو ويژگي L* و b* (از ويژگي هاي رنگي) و 2 ويژگي ميانگين كنتراست و ميانگين سطح خاكستري (از ويژگي هاي بافت) به ‌عنوان پارامترهاي اصلي انتخاب شدند. در ميان الگوريتم هاي آموزشي، الگوريتم آموزشي لونبرگماركوارت (LM) با كمترين ميانگين مربعات خطا 0/012=RMSE و بيشترين ضريب تبيين 95/01 =R2 درصد مدلي بهينه در طبقه بندي (كلاسه بندي) دو نمونه سيب زميني انبار شده در انبار غيرفني و فني شناخته شد. در انبار غيرفني و فني، دقت شناسايي ژنوتيپ اگريا به ترتيب 89/2 و 87/6 درصد و دقت شناسايي ژنوتيپ كلون 8397009 به ترتيب 92/4 و 90/3 درصد به دست آمد.