با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

2 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران

چکیده

در این پژوهش امکان استفاده از روش تصویربرداری پیسه پویا با استفاده از لیزر با طول موج 780 نانومتر به‌منظور نظارت، ارزیابی و پیش‌بینی خواص مکانیکی سیب درختی رقم گلدن دلیشز شامل مدول الاستیسیته، حداکثر نیروی تسلیم، چقرمگی، ویسکوزیته و نرمش خزشی در مرحله تازه خوری مورد بررسی و سنجش قرار گرفته است. تصاویر پیسه پویا به کمک نورپردازی لیزری و تصویربرداری از سیب های سالم و کامل، طی چهار روز پس از چینش تهیه شدند. همچنین نمونه‌ها تحت آزمون خزش، نفوذ و فشار تک محوری نیز قرار گرفتند. رابطه کمّی بین داده‌های طیفی و خواص مکانیکی مرجع مرتبط، با کمک سیستم استنتاجی فازی- عصبی (ANFIS) به‌دست آمد. روش‌های تحلیل مؤلفه‌های اصلی و ارزیابی تقاطعی برای انتخاب بهترین و مؤثرترین ویژگی‌ها برای بهبود کارایی مدل‌ها در تعیین خواص مکانیکی مورد استفاده قرار گرفتند. مدل‌ها بر اساس پارامترهای ساختاری انتخاب شده در ANFIS توسعه یافتند. در ادامه، بازدهی آنها برای یافتن بهترین مدل برای پیش‌بینی خواص مکانیکی سیب با هم مقایسه شدند. طبق نتایج حاصل، از بین تمامی مدل‌های حاصل، مدل پیش‌بینی و تعیین مقدار کرنش شکست با ضریب همبستگی 920/0 و میزان خطای 010/0 به‌عنوان برترین مدل به‌دست آمد. همچنین مدل‌های پیش‌بینی زمان تأخیر (r=0.890) و ویسکوزیته تأخیری (r=0.886) دقت مناسبی را ارائه کردند. نتایج کلی نشان داد که روش تصویربرداری پیسه پویا توانایی رضایت‌بخشی برای ارزیابی و پیش‌بینی خواص مکانیکی سیب درختی دارد.

کلیدواژه‌ها

1. Adamiak, A., A. Zdunek, A. Kurenda, and K. Rutkowski. 2012. Application of the Biospeckle Method for Monitoring Bull’s Eye Rot Development and Quality Changes of Apples Subjected to Various Storage Methods-Preliminary Studies. Sensors 12: 3215-3227.
2. Alamar, M. C., E. Vanstreels, M. L. Oey, E. Molto, and B. M. Nicolaı. 2008. Micromechanical behaviour of apple tissue in tensile and compression tests: Storage conditions and cultivar effect. Journal of Food Engineering 86: 324-333.
3. Ansari, M. D., and A. K. Nirala. 2013. Biospeckle activity measurement of Indian fruits using the methods of cross-correlation and inertia moments. Optik 124: 2180-2186.
4. Arefi, A., P. A. Moghaddam, A. Hassanpour, K. Mollazade, and A. M. Motlagh. 2016. Non-destructive identification of mealy apples using biospeckle imaging. Postharvest Biology and Technology 112: 266-276.
5. Arizaga, R. 2009. Methods of dynamic speckle analysis statistical analysis. PP 65-114 in J. K. Rabal and B. Jr. eds. Dynamic Laser Speckle and Applications. CRC Press, Taylor & Francis Group, New York.
6. Arizaga, R., M. Trivi, and H. Rabal. 1999. Speckle time evolution characterization by the co-occurrence matrix analysis. Optics and Laser Technology 31: 163-169.
7. Braga, R. A., G. F. Rabelo, L. R. Granato, E. F. Santos, J. C. Machado, R. Arizaga, H. J. Rabal, and M. Trivi. 2005. Detection of fungi in beans by the laser biospeckle technique. Biosystem Engineering 91: 465-469.
8. Cena, H., R. Lub, F. Mendozab, and R. M. Beaudryc. 2013. Relationship of the optical absorption and scattering properties with mechanical and structural properties of apple tissue. Postharvest Biology and Technology 85: 30-38.
9. Cho, Y. 1999. Firmness parameters for evaluation of apple freshness. KSAM 1999 Winter Conferences. Korean SOC. Agr. Machinery, Suwon, Korea.
10. Cho, Y., Y. J. Han, and J. Lee. 1997. Feasibility of laser vision for evaluating fruit quality. Food Engineering Progress 1: 137- 142.
11. Choudhary, R., J. Paliwal, and D. S. Jayas. 2008. Classification of cereal grains using wavelet, morphological, colour, and textural features of non-touching kernel images. Biosystem Engineering 99: 330-337.
12. Clausi, D. A. 2002. An analysis of co-occurrence texture statistics as a function of grey level quantization. Canadian Journal of Remote Sensing 28: 45-62.
13. Holt, J. E., and D. Schoorl. 1984. Mechanical Properties and Texture of Stored Apples. Journal of Texture Studies 15: 377-394.
14. Jamshidi B., A. Arefi, S. Minaie. 2017. Non-destructive prediction of apple firmness during storage based on dynamic speckle patterns. Journal of Agricultural Machinery 1: 140-151. (In Farsi).
15. Lafuente, V., J. Val, C. Urzola, and I. Negueruela. 2013. Determination of quality parameters in apple ‘Smoothee Golden Delicious’ using backscattering laser imaging. in M.F.P.C.M. Costa eds. 8th Iberoamerican Optics Meeting and 11th Latin American Meeting on Optics, Lasers, and Applications. SPIE Proceedings, University of Porto, Faculty of Sciences, Porto, Portugal.
16. Lu, R. 2004. Multispectral imaging for predicting firmness and soluble solids content of apple fruit. Postharvest Biology and Technology 31: 147-157.
17. Lu, R. 2007. Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images. Sensing and Instrumentation for Food Quality and Safety 1: 19-27.
18. Masoudi, H., A. Tabatabaeefar, and A. M. Borghaee. 2007. Determination of storage effect on mechanical properties of apples using the uniaxial compression test. Canadian Biosystems Engineering 49: 3.29-23.33.
19. Mendoza, F., R. Lu, and H. Cen. 2012. Comparison and fusion of four nondestructive sensors for predicting apple fruit firmness and soluble solids content. Postharvest Biology and Technology 73: 89-98.
20. Mollazade, K., M. Omid, F. A. Tab, Y. P. Kalaj, S. S. Mohtasebi, and M. Zude. 2013. Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging. Computers and Electronics in Agriculture 98: 34-45.
21. Ojala, T., M. Pietikäinen, and T. Mäenpää. 2002. Multiresolution grey-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence 24: 971-987.
22. Peng, Y., and R. Lu. 2005. Modeling multispectral scattering profiles for prediction of apple fruit firmness. Transactions of the ASAE 48 (1): 235-242.
23. Peng, Y., and R. Lu. 2006. Improving apple fruit firmness predictions by effective correction of multispectral scattering images. Postharvest Biology and Technology 41: 266-274.
24. Qing, Z., B. Ji, and M. Zude. 2007. Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis. Journal of Food Engineering 82: 58-67.
25. Rahemi, M. 2005. Postharvest physiology: an introduction to physiology and handling of fruits, vegetables and ornamental plants. Shiraz University Publication, Shiraz, Iran. (In Farsi).
26. Szymanska-Chargot, M., A. Adamiak, and A. Zdunek. 2012. Pre-harvest monitoring of apple fruits development with the use of the biospeckle method. Scientia Horticulturae 145: 23-28.
27. Tscheuschner, H. D., and D. Du. 1988. Modelling of Mechanical Properties of Apple Flesh under Compressive Load. Journal of Food Engineering 8: 173-186.
28. Varela, P., A. Salvador, and S. Fiszman. 2007. Changes in apple tissue with storage time: Rheological, textural and microstructural analyses. Journal of Food Engineering 78: 622-629.
29. Yang, J. L., Z. Zhang, A. K. Schlarb, and K. Friedrich. 2006. On the characterization of tensile creep resistance of polyamide 66 nanocomposites. Part II: modeling and prediction of long-term performance. Polymer 47: 6745-6758.
30. Zdunek, A., A. Adamiak, P. M. Pieczywek, and A. Kurenda. 2014. The biospeckle method for the investigation of agricultural crops: a review. Optics and Lasers in Engineering 52: 276-285.
31. Zdunek, A., and J. Cybulska. 2011. Relation of biospeckle activity with quality attributes of apples. Sensors 11: 6317-6327.
32. Zhao, Y., J. Wang, X. Wu, F. W. Williams, and R. J. Schmidt. 1997. Point-wise and whole-field laser speckle intensity fluctuation measurements applied to botanical specimens. Optics and Lasers in Engineering 28: 443-456.
CAPTCHA Image