به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

nondestructive method

در نشریات گروه صنایع غذایی
تکرار جستجوی کلیدواژه nondestructive method در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه nondestructive method در مقالات مجلات علمی
  • محسن آزادبخت*، محمد واحدی
    آسیب های گلابی یکی از علت های اصلی ازدست دادن کیفیت میوه است. کبودی در هنگام بارگذاری دینامیکی و شبه استاتیک رخ می دهد که باعث تخریب بافت سالم میوه می گردد. در این پژوهش ابتدا گلابی ها تحت بارگذاری شبه استاتیکی (لبه پهن و لبه نازک) و بارگذاری دینامیکی قرار گرفتند. سپس در دوره های 5، 10 و 15 روزه انبارداری شده و بعد از هر دوره انبارداری با استفاده از تکنیک غیرمخرب سی تی اسکن (CT-Scan) برای تخمین درصد پوسیدگی مورد بررسی قرار گرفتند. شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) با دولایه پنهان و تعداد 3، 5، 7 و 9 نرون در هر لایه برای مدل سازی نیروی بارگذاری و دوره انبار داری میوه گلابی جهت پیشگویی میزان پوسیدگی انتخاب گردید. بیشترین مقادیر R2 آموزش و آزمون برای بارگذاری شبه استاتیکی لبه نازک و لبه پهن در شبکه ای با 9 نرون به ترتیب 0/91=لبه نازک آموزش، 0/99=لبه نازک آزمون و 0/95= لبه پهن آموزش و 0/99= لبه پهن آزمون بوده است و برای بارگذاری دینامیکی شبکه ای با 3 نرون در لایه مخفی 0/98=آموزش، 0/99=آزمون بیشترین مقدار را به خود اختصاص داده است. همچنین بهترین شبکه برای یادگیری (9 نرون) بارگذاری شبه استاتیکی لبه نازک، (7 نرون) بارگذاری شبه استاتیکی لبه پهن و بارگذاری دینامیکی (7 نرون) بود. باتوجه به نتایج به دست آمده برای R2، RMSE و سیکل یادگیری می توان گفت شبکه عصبی توانایی پیش بینی میزان درصد پوسیدگی را در حد قابل قبولی برای گلابی داشته است.
    کلید واژگان: بارگذاری، روش غیرمخرب، شبکه عصبی، کبودی، گلابی
    Mohsen Azadbakht *, Mohammad Vahedi
    Pear damage is one of the main causes of the loss of fruit quality. Bruises occur during dynamic and quasi-static loading, which causes damage to the healthy tissue of the fruit. In this research, pears were placed under quasi-static loading (thin edge and wide edge) and dynamic loading. Then they were stored in 5, 10 and 15 days and after each storage period, using the CT-Scan non-destructive technique the bruise percentage was estimated. In this study, multi-layer perceptron artificial neural network (MLP) by 2 hidden layers and 3, 5, 7 and 9 neurons hidden layers was selected for modeling of loading force and storage period to predict bruise rate. The highest R2 values for training and testing for quasi-static loading of thin edge and wide edge in a 9-neural network were training Thin-edge=0.91, test Thin-edge =0.99 and training Wide-edge=0.95, test Wide-edge =0.99. For the dynamic loading of a network with 3 neurons in the hidden layer has the highest value (training Wide-edge=0.98, test Wide-edge =0.99). For learning (9 neurons) quasi-static loading thin edge (7 neurons) quasi-static loading wide edge and dynamic loading (7 neurons) have been the best network. According to the results obtained for R2, RMSE and learning cycle, it can be said that the neural network has the ability to predict the bruise percentage to an acceptable level for pears.
    Keywords: loading, Neural Network, Nondestructive method, pear bruising
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال