نظارت بر اكسيداسيون روغن زيتون طي دوره نگهداري تسريع شده با استفاده از سامانه ماشين بينايي

Monitoring of olive oil oxidation during accelerated storage using machine vision system

در اين پژوهش توانايي يك سامانه ماشين بينايي براي نظارت بر سطح اكسيداسيون روغن زيتون ارزيابي شد. به اين منظور نمونه هاي روغن زيتون طي دوره نگهداري تسريع شده به مدت 24 روز در آون مورد بررسي قرار گرفته و سپس عمليات پردازش تصوير جهت استخراج پارامترهاي مربوط به فضاهاي رنگي RGB، HSV و L*a*b*انجام شد. عملكرد تكنيك هاي شبكه عصبي مصنوعي و درخت تصميم در تعيين ميزان اكسيداسيون روغن زيتون مقايسه شد. در هر يك از مدل ها پارامترهاي رنگي به عنوان ورودي و مراحل مختلف در دوره اكسيداسيون روغن زيتون به عنوان خروجي تعيين شد. براساس نتايج حاصل شده بيشترين دقت طبقه بندي (94.44%) و كمترين جذر ميانگين مربع خطا (0.0696) مربوط به تكنيك درخت تصميم بوده است. بنابراين سامانه پيشنهادي ماشين بينايي در تركيب با تكنيك هاي هوش مصنوعي به عنوان ابزاري غير مخرب و كارآمد براي پايش و كنترل كيفيت در طول نگهداري روغن ارائه مي شود.

In this research، the ability of a machine vision system was evaluated to monitor the oxidation period of olive oil. For this purpose، the olive oil samples studied during accelerated storage for 24 days in an oven and then image processing processes was carried out to extract parameters related to color spaces RGB، HSV and L*a*b*. The performance of artificial neural network and decision tree techniques compared to determine the olive oil oxidation rate. In each of the models color parameters were used as inputs and different stages in the olive oil oxidation period were considered as output. According to the results، the highest classification accuracy (94.44%) and the lowest RMSE (0.0696) are related to the decision tree technique. The proposed machine vision system combined with artificial intelligence techniques as non-destructive and efficient tool will offer for monitoring and quality control during oil storage.