امروزه تکنیک ماشین بینایی و استفاده از پردازش تصویر یکی از روش های نوین در زمینه درجه بندی محصولات کشاورزی است. در این تحقیق با هدف توسعه سامانه ای برای درجه بندی پرتقال بر اساس جرم و حجم آن با استفاده از روش ماشین بینایی، ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی با استفاده از روش های کلاسیک اندازه گیری شد و از شبکه های عصبی مصنوعی برای استخراج روابط بین جرم و حجم پرتقال و پارامترهای هندسی قابل استخراج توسط یک دوربین (شامل دو بعد هندسی و یک سطح تصویر عمودی) استفاده شد. از یک شبکه پیش خور سه لایه و تابع تبدیل سیگموئیدی در لایه پنهان و تابع تبدیل خطی در لایه خروجی و الگوریتم پس انتشار خطای لِوِنبِرگ- مارگوآت برای آموزش شبکه استفاده شد. 70 درصد داده ها برای آموزش، 15 درصد برای معتبرسازی و 15 درصد باقیمانده برای آزمون و ارزیابی کارایی شبکه های عصبی استفاده شد. برای آموزش بهتر شبکه های عصبی قبل از شروع فاز آموزش، مقادیر داده ها در بازه [1و 1-] نرمالیزه شد. از دو معیار میانگین مربعات خطا (MSE) و ضریب همبستگی R برای توقف روند آموزش و ارزیابی میزان دقت شبکه های عصبی استفاده شد و توپولوژی شبکه عصبی بهینه (تعداد نرون ها در لایه مخفی) با سعی و خطا بدست آمد. توپولوژی شبکه عصبی بهینه برای مدل سازی جرم و حجم پرتقال برحسب دو بعد هندسی و سطح تصویر عمودی آن بصورت 2-16-3 تعیین شد. مقدار MSE در فاز معتبرسازی برابر 889/19 و در اِپوک چهارم از این فاز بدست آمد که مقداری قابل قبول است. بهترین عملکرد شبکه عصبی بهینه در مورد مجموعه آزمون با MSE برابر با 678/16 اتفاق افتاد. مقادیر R برای معادله رگرسیونی جرم پرتقال برابر 974/0 و برای حجم آن 970/0 بدست آمد. حداکثر ، حداقل و میانگین خطا برای جرم پرتقال معادل 56/10 ، 87/8- و 01/1 گرم و برای حجم پرتقال معادل 34/11 ، 78/10- و 00/1 سانتی مترمکعب بدست آمد که در محدوده قابل قبولی قرار دارند. لذا شبکه عصبی بهینه در این پژوهش به خوبی توانست مقادیر جرم و حجم پرتقال را برآورد کند و می توان از شبکه عصبی حاصل برای درجه بندی میوه پرتقال برحسب جرم و حجم از روی مقادیر پارامترهای هندسی منتخب استفاده نمود.

کلمات کلیدی