پیش بینی حجم، سطح جانبی و ضریب کرویت انار با استفاده از شبکه عصبی مصنوعی MLP

اندازه گیری سریع و دقیق خصوصیات هندسی محصولات کشاورزی کاربردهای زیادی در امور مربوط به کاشت، داشت، برداشت و پس از برداشت دارد. محاسبات مربوط به انبارداری و نقل و انتقال، میزان مواد پوشش دهنده داده شده به محصولات برای افزایش عمر انبار داری، همچنین تخمین زمان پوست کنی و تعیین میزان تجمع مواد میکروبی روی محصول، از جمله کاربردهای مهم اندازه گیری حجم و سطح جانبی می باشند. ضریب کرویت نیز که یکی از پارامترهایی است که برای کمی کردن اختلاف در شکل میوه ها، سبزی ها، غلات و بذرها به کار می رود، در فرآیندهای جداسازی توسط ماشین های غربال و نیز قابلیت غلتش روی سطوح دارای اهمیت می باشد. استفاده از شبکه عصبی به عنوان یک روش سریع و غیرمخرب برای پیش بینی خصوصیات فیزیکی محصولات کشاورزی حائز اهمیت می باشد. در این تحقیق توانایی تکنیک شبکه عصبی مصنوعی به عنوان یک روش جایگزین در پیش بینی حجم، سطح جانبی و کرویت انار ارزیابی شد. برای این کار از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و رابطه رگرسیونی بین مقادیر پیش بینی شده توسط شبکه عصبی و مقادیر واقعی آنها استفاده شد. طبق نتایج به دست آمده مقدار 85/0 ≤p می باشد که نشان دهنده عدم وجود تفاوت معنی داری در سطح 5 درصد بین مقادیر ویژگی های آماری مجموعه داده های پیش بینی شده توسط شبکه عصبی و مقادیر واقعی آنها بود. همچنین ضرایب تبیین بین داده های واقعی و پیش بینی شده بزرگتر از 9/0 شد.