مقایسه روش‌های غیرمخرب ضربه اجباری، سقوط آزاد و صوت در برآورد پارامترهای کیفیت کیوی

STUDENT

DEGREE

YEAR

With production of 32000 tons in 2012, Iran is the seventh producer of kiwifruit in the world. The quality evaluation of kiwifruit seems to be important and necessary since it is the basis of consumer choices. Generally, for climacteric fruits such as kiwifruit, the degree of ripeness is an important factor for determination of optimum time of consumption. Texture analysis using the well-known indices is one of the main methods in determination of ripeness degree. But, the most of these methods have a destructive and time-consuming nature and are not applicable for on-line iection. Nowadays, there are various methods for non-destructive quality evaluation of agricultural products. Among these methods, mechanical-based techniques are useful, especially for texture or ripeness evaluation. In this study, three different mechanical-based methods including forced impact, falling impact and acoustic were used in non-destructive estimation of texture indices and soluble solids content (SSC) of kiwifruit. In the forced impact technique, the samples were placed on an aluminum plate over the load cell and excited from the opposite side by the impulse delivered from a solenoid driven probe with spherical head. The solenoid beater was connected to an actuating circuit controlled by a microcontroller. The impact force was then measured by a load cell located under the fruit. The load cell was equipped with a data acquisition unit in order to collect and illustrate the received signal. In the falling impact technique, the fruit was held by a vacuum valve and released to fall freely from an adjustable height onto the load cell. Finally, in the acoustic method, the emitted sound by the sample due to the impactor was sensed by a microphone located beneath the fruit in a hole that had been drilled in the aluminum plate over the load cell. Immediately after data acquisition, the compression and penetration (Magness-Taylor) tests were performed on each sample, respectively in order to obtain the module of elasticity (E) and firmness (F) using the universal tension-compression testing machine. Moreover, the SSC of the samples were determined using a digital refractometer. The compression test was carried out and the samples were loaded and unloaded to max deformation of 4 mm using flat-parallel plates. The maximum required force in the compression test was used in calculating E. In Magness-Taylor test, the machine was equipped with a 7.9 mm diameter stainless steel probe in order to penetrate at two opposite sides of each fruit after skin removal. Data analysis included three different regression methods: Partial Least Squares (PLS), combination of Principle Components Analysis with Artificial Neural Network (PCA-ANN) and Support Vector Regression (SVR). The primary results obtained from the visual inception of the signals showed that the samples with the higher values of E and F produced the signals with sharper peaks, i.e. the lower values of peak duration in all different data acquisition methods. The modeling results indicated that among different quality parameters, the models for predicting E resulted in the best prediction power for all data acquisition and modeling procedures. After the E, the models for predicting the F led to suitable results close to those for the E. But the SSC estimation models did not resulted in the satisfactory prediction powers. In comparison of different data acquisition methods, the forced impact along with PCA-ANN algorithm led to the best prediction in texture indices estimation with R 2 p = 0.87, RMSEP= 0.072 MPa and SDR= 2.67, and R 2 p = 0.81, RMSEP= 4.60 N and SDR= 2.37 in the E and F estimations, respectively. After forced impact along with PCA-ANN algorithm, the falling impact resulted on good predictions with R 2 p = 0.84, RMSEP= 0.098 MPa and SDR= 2.43, and R 2 p = 0.75, RMSEP= 5.52 N and SDR= 1.82 in the E and F estimations, respectively. Finally, the acoustic method could predict the E and F values using PCA-ANN algorithm with acceptable results of R 2 p = 0.80, RMSEP= 0.099 MPa and SDR= 2.51, and R 2 p = 0.74, RMSEP= 5.94 N and SDR= 2.39, respectively. Keywords : Forced impact, Falling impact, Acoustic, Kiwifruit, Partial least squares, artificial neural networks, Support vector machines

ایران هفتمین کشور تولید کننده کیوی در جهان می‌باشد که سالانه بالغ بر 32000 تن کیوی تولید می‌کند. بنابراین ارزیابی کیفیت این میوه به منظور عرضه مناسب به بازار از اهمیت بالایی برخوردار است. کیوی یک محصول فرازگرا محسوب می‌شود که می‌تواند پس از برداشت به فرآیند رسیدگی خود ادامه ‌دهد. در این گونه محصولات تعیین درجه رسیدگی به منظور مصرف در بهترین زمان مهم می‌باشد. یکی از مهم‌ترین روش‌ها برای تعیین درجه رسیدگی در این گونه محصولات ارزیابی بافت آن‌ها توسط شاخص‌هایی است که محققین مختلف ارائه داده‌اند. اما روش‌های ارزیابی بافت غالباً مخرب و زمان‌بر می‌باشند که این امر بازرسی تمام محصول در خط تولید را امکان‌پذیر نمی‌کند. امروزه روش‌های جدید و متفاوتی برای ارزیابی غیرمخرب بافت محصولات کشاورزی وجود دارند که در این میان روش‌های مکانیکی منجر به نتایج خوب و قابل قبولی شده‌اند، به نحوی که در بسیاری از موارد به حد کاربرد عملی نیز رسیده‌اند. در این تحقیق از سه روش مختلف مکانیکی شامل ضربه اجباری، سقوط آزاد و صوت استفاده شد و توانایی هرکدام در تخمین شاخص‌های بافت و همچنین مقدار مواد جامد محلول (SSC) کیوی مورد ارزیابی قرار گرفت. در روش ضربه اجباری میوه بر روی بارسنج ثابت بوده و در اثر برخورد یک ضربه‌زن سلونوئیدی به یک طرف آن تحریک می‌شد. ضربه‌زن سلونوئیدی خود متصل به یک مدار راه‌انداز بود که با استفاده از یک میکروکنترلر قادر بود سیگنال‌های کنترل شده را به ضربه‌زن بفرستد تا ضربه‌زن هر بار ضربه‌های یکسان و کنترل شده‌ای را به میوه وارد کند. ضربه منتقل شده به میوه سپس توسط لودسل مجهز به سامانه ثبت سیگنال لودسل دریافت و بر روی رایانه نمایش داده می‌شد. در روش سقوط آزاد میوه توسط یک ونتوری متصل به پمپ باد در یک ارتفاع ثابت از صفحه آلومینیومی لودسل نگهداری و سپس بر روی آن رها و سیگنال به دست آمده ذخیره می‌شد. در روش صوت نیز از یک میکروفون حساس که درست در زیر نمونه و در درون صفحه آلومینیومی لودسل تعبیه شده بود برای ثبت صدای ساطع شده در نمونه در اثر برخورد ضربه‌زن استفاده می‌شد. بلافاصله پس از جمع‌آوری سیگنال‌های مکانیکی، شاخص‌های ارزیابی بافت محصول شامل مقادیر مدول الاستیسیته (E) و سفتی (F) و همچنین یک مؤلفه شیمیایی کیفیت شامل مواد جامد محلول (SSC) با استفاده از روش‌های مرجع اندازه‌گیری شدند. برای اندازه‌گیری E و F به ترتیب از آزمون‌های فشار صفحات موازی و نفوذ مگنس- تیلور استفاده شد. در آزمون صفحات موازی، میوه به اندازه‌ی 4 میلی‌متر توسط دو صفحه موازی فشرده شده و سپس به نقطه صفر برمی‌گشت و پس از ثبت مقدار نیرو در نقطه فشرده شده و با استفاده از رابطه ارائه شده در استاندارد ASAE، مدول الاستیسیته محاسبه می‌شد. در آزمون مگنس- تیلور نیز از یک پروب به قطر 9/7 میلی‌متر استفاده شد به نحوی که به دو طرف مقابل میوه که پوست‌کنی شده بود، نفوذ می‌کرد و میانگین نیروی بیشینه در دو طرف به عنوان سفتی در نظر گرفته می‌شد. در نهایت اندازه‌گیری SSC با عصاره‌گیری از نمونه و استفاده از یک رفرکتومتر دیجیتال انجام شد. برای تحلیل سیگنال‌های به دست آمده از سه روش ضربه اجباری، سقوط آزاد و صوت و به منظور ارائه مدل‌های پیشگو برای پارامترهای اندازه‌گیری شده کیفیت از سه روش مختلف تحلیل رگرسیونی شامل روش‌های حداقل مربعات نسبی (PLS)، ترکیب تحلیل مؤلفه‌های اصلی و شبکه‌های عصبی مصنوعی (PCA-ANN) و رگرسیون بردار پشتیبان (SVR) استفاده و نتایج آن‌ها با هم مقایسه گردید. در بررسی اولیه سیگنال‌های به دست آمده، نتایج نشان داد که در هر سه روش ضربه اجباری، سقوط آزاد و صوت، نمونه‌هایی که دارای E و F بیشتری بودند، به دلیل آنکه بافت سفت‌تری داشتند سیگنال‌های با قله‌های بلندتری را ایجاد می‌کردند. همچنین زمان وقوع پیک در سیگنال‌های با E و F بالاتر، کمتر بود. همچنین در بین پارامترهای مختلف کیفیت، مدل‌های مبتنی بر تخمین E منجر به بهترین نتایج در هر سه روش مختلف جمع‌آوری سیگنال و مدل‌سازی شدند. پس از E نتایج مدل‌های تخمین F نتایج خوب و نزدیکی به E در هر سه روش مختلف جمع‌آوری سیگنال و مدل‌سازی به همراه داشت، اما مدل‌های تخمین SSC منجر به نتایج قابل قبولی در هیچ یک از مدل‌های ارائه شده نشدند. در بین روش‌های مختلف جمع‌آوری سیگنال نیز روش ضربه اجباری منجر به بهترین نتایج در پیش‌بینی مؤلفه‌های کیفیت شد به نحوی که این روش توانست مقادیر E و F را به ترتیب با یک R 2 p برابر با 87/0، RMSEP برابر با 072/0 مگاپاسکال و SDR برابر با 67/2 و R 2 p برابر با 81/0 ، RMSEP برابر با 60/4 نیوتن و SDR برابر با 37/2 با استفاده از الگوریتم PCA-ANN تخمین بزند. پس از روش ضربه اجباری، روش سقوط آزاد منجر به نتایج خوب در تخمین E و F شد به نحوی که این مقادیر به ترتیب با یک R 2 p برابر با 84/0، RMSEP برابر با 098/0 مگاپاسکال و SDR برابر با 43/2 و R 2 p برابر با 75/0، RMSEP برابر با 52/5 نیوتن و SDR برابر با 82/1 با استفاده از الگوریتم PCA-ANN قابل پیش‌بینی بودند. در نهایت روش صوت نیز توانست مقادیر E و F را با نتایج قابل قبول R 2 p برابر با 80/0، RMSEP برابر با 099/0 مگاپاسکال و SDR برابر با 51/2 و R 2 p برابر 74/0 ، RMSEP برابر با 94/5 نیوتن و SDR برابر با 39/2 پیش‌بینی کند. در بین روش‌های مختلف مدل‌سازی نیز روش‌های به ترتیب روش‌های PCA-ANN، PLS و SVR منجر به بهترین نتایج شدند. کلید واژه : ضربه اجباری، سقوط آزاد، صوت، کیوی، حداقل مربعات نسبی، شبکه‌های عصبی مصنوعی، رگرسیون بردار پشتیبان