شناسایی ژنوتیپ های سیب زمینی پس از دوره انبارمانی با استفاده از ترکیب روش های پردازش تصویر و شبکه عصبی مصنوعی

برای ایجاد اطمینان از عرضه پیوسته سیب زمینی به مصرف کنندگان و صنایع فرآوری این محصول، ذخیره سازی آن ضروری است. هنگام ذخیره سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب زمینی باعث می شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکه عصبی مصنوعی برای کلاسه بندی و مدل سازی دو نمونه سیب زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه گیری شده مربوط به ویژگی های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی های رنگی) و 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی های بافت) به عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا 0/012=RMSE و بیشترین ضریب تبیین 95/01 =R2 درصد مدلی بهینه در طبقه بندی (کلاسه بندی) دو نمونه سیب زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ترتیب 89/2 و 87/6 درصد و دقت شناسایی ژنوتیپ کلون 8-397009 به ترتیب 92/4 و 90/3 درصد به دست آمد.