Monitoring the Osmotic Dehydration Process of Quince by the Novel Fusion Modular Neural Networks - Fuzzy Logic (FMNN-FL)

پايش فرآيند آبگيري اسمزي ميوه بِه توسط روش ابداعي تركيب مدول هاي شبكه عصبي- منطق فازي (FMNN-FL)

اين مقاله روش جديدي را بر پايه مودول هاي شبكه عصبي (MNNs) و سيستم استنتاج فازي جهت مونيتور كردن و كنترل فرآيند غذايي ارايه ميدهد. MNN پيشنهاد شده متشكل از سه مودول است، هر يك از آنها مشخصه هاي مختلف تصوير را جهت ورددي استفاده ميكنند، كه شامل: edge detection، wavelet transform و Hough transform هستند. جهت تركيب خروجي هاي مدول هاي شبكه عصبي در رابطه با طبقه بندي تصاوير ميوه به در طي فرآيند آبگيري اسمزي از سيستم استنتاج فازي sugeno استفاده شد. جهت تست اين روش، براي طبقه بندي، پايگاه داده از 108 تصوير ميوه به (12 طبقه بندي يا كلاس) تشكيل شد. در آزمايشات صورت گرفته اين روش توسعه يافته، طبقه بندي تصاوير را با دقت 6/91% تشخيص داد. در مرحله بعد، مقادير جذب ماده جامد (SG)، ميزان دفع آب (WL) و محتواي رطوبتي (MC) بعنوان خروجي مودول هاي شبكه عصبي در نظر گرفته شدند، در جاييكه زمان فرآيند آبگيري اسمزي و تصوير طبقه بندي شده بعنوان ورودي هاي شبكه عصبي در نظر گرفته شدند. حداقل MRE% (153/18) به همراه توانايي پيشگويي 89% براي ميزان دفع آب (WL) زمانيكه از دو لايه مخفي و در هر لايه 6 نرون استفاده شد، بدست آمد. كمترين ميزان MRE% (3535/35) به همراه توانايي پيشگويي 93% براي ميزان جذب ماده جامد (SG) زمانيكه از از دولايه مخفي به نحوي كه در لايه اول 6 و در لايه دوم 8 نرون استفاده شد، بدست آمد. و در نهايت براي محتواي رطوبتي (MC) حداقل MRE% (4759/7) به همراه توانايي پيشگويي 96% در استفاده از 6 و 5 نرون به ترتيب در لايه مخفي اول و دوم بدست آمد. نتايج نشان دادند كه اين روش بطور ستوني ميتواند در جهت مدل سازي كيفي و مونيتور كردن تغيرات كيفي مواد غذايي در حين فرآيند آبگيري اسمزي مورد استفاده قرار بگيرد.

This paper presents a novel approach to monitor food process based on Modular Neural Networks (MNNs) and fuzzy inference system. The proposed MNN consists of three separate modules, each using different image features as input including: edge detection, wavelet transform, and Hough transform. The sugeno fuzzy inference system was used to combine the outputs from each of these modules to classify the images of quince during osmotic dehydration process. To test the method, for classification, database was made of 108 quince samples’ images (12 classes). In experiments, the developed architecture achieved 91.6% recognition accuracy. Next step, solid gain, water loss and moisture content of quince samples were considered as MNNs outputs, whereas osmotic dehydration time and classified images were MNNs inputs. The minimum %MRE (18.153) with 89% prediction ability for water loss (WL) was obtained when applying two hidden layers with 6 neurons per each two layers. The lowest %MRE (35.5335) with 93% prediction ability for solid gain (SG) was obtained when using 6 and 8 neurons per first and second layer, respectively. And finally %MRE was at least (7.4759) with 96% prediction ability for moisture content (MC) by 6 and 5 neurons per first and second layer, respectively. The results show that this model could be commendably implemented for quantitative modeling and monitoring of food quality changes during osmotic dehydration process.