پیش‌بینی غیرمخرب pH آلو خرمایی و خونی با به‌کارگیری سامانه تصویربرداری فراطیفی و روش‌های یادگیری ماشین

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

• میثم لطیفی عموقین
• یوسف عباسپور گیلانده

گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

https://doi.org/10.22067/jam.2025.95325.1427

چکیده

این پژوهش با هدف توسعه و ارزیابی یک روش غیرمخرب برای پیش‌بینی pH دو رقم آلو (خرمایی و خونی) با استفاده از سامانه تصویربرداری فراطیفی در حالت بازتابی انجام شد. اثر پیش‌پردازش‌های مختلف طیفی بر عملکرد مدل رگرسیون حداقل مربعات جزئی بر روی طیف کامل داده‌ها بررسی شد. در هر دو رقم، بهترین عملکرد این الگوریتم با فیلتر گوسی در مرحله آزمون با 0.8203=R²، 0.059=RMSE و 2.44=RPD برای رقم خرمایی و 0.8819=R²، 0.1411=RMSE و 3.01=RPD برای رقم خونی به ثبت رسید. در ادامه به‌عنوان یک نوآوری از ترکیب الگوریتم درخت تصمیم با پنج الگوریتم فراابتکاری برای کاهش ابعاد داده‌ها استفاده شد که میان آن‌ها الگوریتم بهینه‌سازی ازدحام ذرات عملکرد بهتری در انتخاب ویژگی داشت. درنهایت، مدل‌سازیpH  بر روی طول‌موج‌های منتخب با استفاده از مدل‌های رگرسیون حداقل مربعات جزئی و شبکه‌ی عصبی مصنوعی صورت پذیرفت. نتایج نشان داد که شبکه‌ی عصبی مصنوعی بر روی طول‌موج‌های منتخب الگوریتم بهینه‌سازی ازدحام ذرات، به‌ویژه برای آلو خونی، منجر به دقت‌های پیش‌بینی به‌مراتب بالاتری شد؛ به‌طوری‌که بهترین عملکرد این الگوریتم برای آلو خونی (با فیلتر گوسی) در مرحله آزمون به 0.9834=R²، 0.0512=RMSE و 01/8=RPD دست‌یافت، که نشان‌دهنده توانایی قابل‌توجه این‌روش برای اندازه‌گیری کمی دقیق است. برای آلو خرمایی نیز، بهترین عملکرد این الگوریتم (با داده‌های بدون پیش‌پردازش و فیلتر میانه) در مرحله آزمون به 0.76=R² و 2.12=RPD رسید که بهبود قابل‌توجهی نسبت به الگوریتم رگرسیون حداقل مربعات جزئی نشان داد. این نتایج، نشان‌دهنده پتانسیل بالا این روش جهت استقرار در خطوط فرآوری برای کنترل کیفیت میوه‌ها طی عملیات پس از برداشت می‌باشد.

کلیدواژه‌ها

• آلو
• الگوریتم‌های فراابتکاری
• بهینه‌سازی ازدحام ذرات
• تصویربرداری فراطیفی
• pH

موضوعات

• پردازش تصویر

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Alam, S., Dobbie, G., Koh, Y. S., Riddle, P., & Rehman, S. U. (2014). Research on particle swarm optimization based clustering: a systematic review of literature and techniques. Swarm and Evolutionary Computation, 17, 1-13. https://doi.org/10.1016/j.swevo.2014.02.001
2. Ayub, H., Nadeem, M., Mohsin, M., Ambreen, S., Khan, F. A., Oranab, S., Rahim, M. A., Zubair khalid, M., Zongo, E., & Zarlasht, M. (2023). A comprehensive review on the availability of bioactive compounds, phytochemicals, and antioxidant potential of plum (Prunus Domestica). International Journal of Food Properties, 26(1), 2388-2406. https://doi.org/10.1080/10942912.2023.2249254
3. Chang, C.-W., Laird, D. A., Mausbach, M. J., & Hurburgh, C. R. (2001). Near‐infrared reflectance spectroscopy–principal components regression analyses of soil properties. Soil Science Society of America Journal, 65(2), 480-490. https://doi.org/10.2136/sssaj2001.652480x
4. Dorigo, M., Birattari, M., & Stutzle, T. (2006). Ant colony optimization. IEEE computational intelligence magazine, 1(4), 28-39.Kashan, A. H. (2014). League Championship Algorithm (LCA): An algorithm for global optimization inspired by sport championships. Applied Soft Computing, 16, 171-200. https://doi.org/10.1016/j.asoc.2013.12.005
5. Gao, S., & Xie, W. (2024). SSC and pH prediction and maturity classification of grapes based on hyperspectral imaging. Smart Agricultural Technology, 8, 100457. https://doi.org/10.1016/j.atech.2024.100457
6. Golmohammadi, A., Tahmasebi, M., & Razavi, M. S. (2022). Near infrared hyperspectral imaging for non-destructive determination of pH value in red delicious apple fruit during shelf life. Innovative Food Technologies, 9(2), 99-111. https://doi.org/10.22104/jift.2021.5124.2059
7. Hasanzadeh, B., Abbaspour-Gilandeh, Y., Soltani-Nazarloo, A., Hernández-Hernández, M., Gallardo-Bernal, I., & Hernández-Hernández, J. L. (2022). Non-destructive detection of fruit quality parameters using hyperspectral imaging, multiple regression analysis and artificial intelligence. Horticulturae, 8(7), 598. https://doi.org/10.3390/horticulturae8070598
8. Huang, H., Liu, L., & Ngadi, M. O. (2014). Recent developments in hyperspectral imaging for assessment of food quality and safety. Sensors, 14(4), 7248-7276. https://doi.org/10.3390/s140407248
9. Kashan, A. H. (2014). League Championship Algorithm (LCA): An algorithm for global optimization inspired by sport championships. Applied Soft Computing, 16, 171-200. https://doi.org/10.1016/j.asoc.2013.12.005
10. Kavuncuoğlu, E., Çetin, N., Yildirim, B., Nadimi, M., & Paliwal, J. (2023). Exploration of machine learning algorithms for pH and moisture estimation in apples using VIS-NIR imaging. Applied Sciences, 13(14), 8391. https://doi.org/10.3390/app13148391
11. Khodabakhshian, R., & Baghbani, R. (2025). Non-destructive Internal Quality Evaluation of Apple Fruit Using X-ray CT. Journal of Agricultural Machinery. (in Press).https://doi.org/10.22067/jam.2025.90983.1317
12. Latifi Amoghin, M., Abbaspour-Gilandeh, Y., Tahmasebi, M., & Arribas, J. I. (2024a). Automatic non-destructive estimation of polyphenol oxidase and peroxidase enzyme activity levels in three bell pepper varieties by Vis/NIR spectroscopy imaging data based on machine learning methods. Chemometrics and Intelligent Laboratory Systems, 105137. https://doi.org/10.1016/j.chemolab.2024.105137
13. Latifi Amoghin, M., Abbaspour-Gilandeh, Y., Tahmasebi, M., Kaveh, M., El-Mesery, H. S., Szymanek, M., & Sprawka, M. (2024b). VIS/NIR Spectroscopy as a Non-Destructive Method for Evaluation of Quality Parameters of Three Bell Pepper Varieties Based on Soft Computing Methods. Applied Sciences, 14(23), 10855. https://doi.org/10.3390/app142310855
14. Liu, J., Sun, J., Wang, Y., Liu, X., Zhang, Y., & Fu, H. (2025). Non-Destructive Detection of Fruit Quality: Technologies, Applications and Prospects. Foods, 14(12), 2137. https://doi.org/10.3390/foods14122137
15. Liu, Y., Wang, H., Fei, Y., Liu, Y., Shen, L., Zhuang, Z., & Zhang, X. (2021). Research on the prediction of green plum acidity based on improved XGBoost. Sensors, 21(3), 930. https://doi.org/10.3390/s21030930
16. Majeed, R., & Jawandha, S. (2016). Enzymatic changes in plum (Prunus salicina Lindl.) subjected to some chemical treatments and cold storage. Journal of Food Science and Technology, 53, 2372-2379. https://doi.org/10.1007/s13197-016-2209-9
17. Masoudi-Sobhanzadeh, Y., & Motieghader, H. (2016). World Competitive Contests (WCC) algorithm: A novel intelligent optimization algorithm for biological and non-biological problems. Informatics in Medicine Unlocked, 3, 15-28. https://doi.org/10.1016/j.imu.2016.06.002
18. Masoudi-Sobhanzadeh, Y., Motieghader, H., & Masoudi-Nejad, A. (2019). FeatureSelect: a software for feature selection based on machine learning approaches. BMC Bioinformatics, 20, 1-17. https://doi.org/10.1186/s12859-019-2754-0
19. McGlynn, W. (2010). Importance of food pH in commercial canning operations [superseded].
20. Narendra, K. S., & Thathachar, M. A. (2012). Learning automata: an introduction. Courier corporation.
21. Pu, H., Liu, D., Wang, L., & Sun, D.-W. (2016). Soluble solids content and pH prediction and maturity discrimination of lychee fruits using visible and near infrared hyperspectral imaging. Food Analytical Methods, 9, 235-244. https://doi.org/10.1007/s12161-015-0186-7
22. Purwanto, Y. , Zainal, P. W., Ahmad, U., Sutrisno, M., Makino, Y., Oshita, S., Kawagoe, Y., & Kuroki, S. (2013). Non destructive prediction of pH in mango fruit cv. Gedong Gincu using NIR spectroscopy. International Journal of Engineering and Technology, 13, 70-73.
23. Rahman, A., Kandpal, L. M., Lohumi, S., Kim, M. S., Lee, H., Mo, C., & Cho, B.-K. (2017). Nondestructive estimation of moisture content, pH and soluble solid contents in intact tomatoes using hyperspectral imaging. Applied Sciences, 7(1), 109. https://doi.org/10.3390/app7010109
24. Razavi, M. , Sharabiani, V. R., Tahmasebi, M., Grassi, S., & Szymanek, M. (2025). Chemometric and meta-heuristic algorithms to find optimal wavelengths and predict ‘Red Delicious’ apples traits using Vis-NIR. Applied Food Research, 5(1), 100853. https://doi.org/10.1016/j.afres.2025.100853
25. Trendafilova, A., Ivanova, V., Trusheva, B., Kamenova-Nacheva, M., Tabakov, S., & Simova, S. (2022). Chemical composition and antioxidant capacity of the fruits of European plum cultivar “Čačanska Lepotica” influenced by different rootstocks. Foods, 11(18), 2844. https://doi.org/10.3390/foods11182844
26. Wang, , Xu, L., Chen, H., Zou, Z., Huang, P., & Xin, B. (2022). Non-destructive detection of pH value of kiwifruit based on hyperspectral fluorescence imaging technology. Agriculture, 12(2), 208. https://doi.org/10.3390/agriculture12020208
27. Weng, S., Yu, S., Guo, B., Tang, P., & Liang, D. (2020). Non-destructive detection of strawberry quality using multi-features of hyperspectral imaging and multivariate methods. Sensors, 20(11), 3074. https://doi.org/10.3390/s20113074
28. Zhang, Z., Cheng, H., Chen, M., Zhang, L., Cheng, Y., Geng, W., & Guan, J. (2024). Detection of Pear Quality Using Hyperspectral Imaging Technology and Machine Learning Analysis. Foods, 13(23), 3956. https://doi.org/10.3390/foods13233956
29. Zhiming, G., Wenqian, H., Liping, C., Yankun, P., & Xiu, W. (2014). Shortwave infrared hyperspectral imaging for detection of pH value in Fuji apple. International Journal of Agricultural and Biological Engineering, 7(2), 130-137. https://doi.org/10.3965/j.ijabe.20140702.016
30. Zhu, H., Chu, B., Fan, Y., Tao, X., Yin, W., & He, Y. (2017). Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models. Scientific Reports, 7(1), 7845. https://doi.org/10.1038/s41598-017-08509-6