عنوان پایان‌نامه
بررسی میزان تغییر رنگ (قهوه ای شدن) و چروکیدگی موز در خشک کردن به روش لایه نازک با استفاده از پردازش تصویر
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 4459;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49413
- تاریخ دفاع
- ۱۹ شهریور ۱۳۹۰
- دانشجو
- محمدعلی ابراهیمی
- استاد راهنما
- سیدسعید محتسبی
- چکیده
- خشک کردن یکی از متداول¬ترین روش¬های نگهداری مواد غذایی و محصولات کشاورزی می¬باشد. تحقیق پیش¬رو با هدف بررسی سینتیک خشک¬¬شدن، تغییر شکل و تغییر رنگ محصول موز در طی فرآیند خشک کردن به روش لایه‌نازک با استفاده از روش پردازش تصویر و نیز بررسی تاثیر شرایط مختلف خشک¬کردن بر روی این عوامل، صورت گرفته است. بر این اساس آزمایش¬هایی در پنج سطح دمایی (50، 60، 70، 80 و 90 درجه سلسیوس)، سه سطح از سرعت هوای خشک کردن (5/0، 1 و 5/1 متر بر ثانیه) و سه سطح ضخامت نمونه¬ها (3، 5 و 7 میلیمتر) انجام شد. برای انجام آزمایش¬ها از یک خشک¬کن آزمایشگاهی مجهز به سامانه تصویربرداری استفاده شد. در بخش بررسی سینتیک خشک¬شدن محصول، تاثیر شرایط آزمایش بر روی روند کاهش محتوای رطوبتی محصول مورد بحث و بررسی قرار گرفت. همچنین مقادیر ضریب پخش موثر و انرژی فعال¬سازی نمونه¬ها محاسبه و با استفاده از 8 مدل¬ریاضی، فرآیند تغییر نسبت محتوای رطوبتی محصول بر حسب زمان مدل¬سازی شد. در بخش بررسی سنتیک تغییر شکل محصول، تصاویر دریافتی توسط دوربین در محیط نرم افزار MATLAB مورد پردازش قرار گرفت. سپس، تغییرات حجم، سطح، محیط، ضخامت، گردی، کشیدگی و چگالی محصول بررسی شدند. علاوه بر این تغییرات نسبت سطح و چروک شدگی محصول بوسیله یک مدل خطی، بر اساس نسبت محتوای رطوبتی محصول، مدل¬سازی شدند. برای بررسی سینتیک تغییر رنگ محصول طی فرایند خشک¬شدن از شاخص¬های، تغییر روشنایی، تغییر رنگ کل، کروما، زاویه¬رنگ، تغییر زاویه-رنگ، درجه اشباع و شاخص قهوه¬ای شدن استفاده شد. برای استخراج این شاخص¬ها، به¬دلیل استاندارد نبودن فضای رنگی RGB، از فضای رنگی L*a*b* استفاده شد. برای تنظیم و تبدیل مقادیر رنگی به‌دست آمده از روش پردازش به مقادیر واقعی یک چارت رنگی تهیه شده و مقادیر رنگی آن‌ها توسط دستگاه رنگ‌سنج و روش پردازش تصویر استخراج شده و با یکدیگر مقایسه شدند. در نهایت یک مدل مناسب برای تبدیل داده‌های پردازش تصویر به مقادیر واقعی ارائه شد. میزان تغییر رنگ کل و روشنایی با استفاده از مدل¬های خطی و نمایی، بر حسب زمان، مدل¬سازی شدند. برای پیش بینی تغییرات محتوای رطوبتی، شکل و رنگ محصول از شبکه¬های عصبی مصنوعی نوع پس¬انتشار پیشخور با توابع آموزش مومنتوم و لونبرگ- مارکورات و توابع انتقال لگاریتم سیگموئید و تانژانت سیگموئید استفاده شد. در این تحقیق از محیط نرم¬افزار MATLAB برای معماری و آموزش شبکه¬ها استفاده شد. در نهایت شبکه انتخاب شده و بهترین مدل ریاضی، برای پیش بینی تغییرات محتوای رطوبتی محصول، با یکدیگر مقایسه شدند. نتایج حاصل از این تحقیق نشان دادند که مقادیر دما و ضخامت نمونه در روند کاهش محتوای رطوبتی محصول موثر بوده است، در حالی که تاثیر سرعت هوای خشک کردن قابل تفسیر نبود. همچنین برای مدل¬سازی تغییر محتوای رطوبتی محصول، نتایج مدل میدلی و همکاران همبستگی بیشتری با داده¬های آزمایشگاهی نشان داد. در بخش تغییرات شکل نتایج نشان دادند که (از بین عامل¬های ضخامت، سرعت هوا و دمای خشک¬کردن) مهمترین عامل تاثیرگذار بر نرخ چروک¬شدگی محصول، ضخامت نمونه¬ها می¬باشد و تاثیر دما و سرعت هوای خشک¬کردن چندان مشخص نبود. بررسی تغییر رنگ محصول نشان داد که دما نسبت به دو عامل دیگر تاثیر بیشتری بر نرخ تغییر رنگ محصول دارد. مقایسه شبکه¬های عصبی و مدل¬های ریاضی نشان داد در پیش بینی تغییر محتوای رطوبتی محصول طی فرایند خشک شدن، توانمندی شبکه¬های عصبی بیشتر و اطمینان بخش¬تر است.
- Abstract
- Drying is one of the oldest methods to protect food and agricultural products. The aims of this study were evaluation of drying kinetics, shrinkage and browning of banana during thin layer drying method using image processing technique and also determination of the effects of temperature, samples thickness and air velocity. For this purpose, the experiments were done at five air temperature levels of (50, 60, 70, 80, 90 °C), three air velocity levels of (0.5, 1 and 1.5 m/s), and three thickness levels of (3, 5 and 7 mm). These experiments were done using a thin layer dryer with a machine vision system. In the section of drying kinetics, the effects of temperature, samples thickness and air velocity on the change of the moisture content were determined. Moreover, effective diffusion coefficient and activation energy of banana were calculated. For modeling of moisture content ratio as a function of drying time, eight mathematical models were used. . In the section of shrinkage, the taken pictures were processed at the MATLAB environment using an image processing program. Thus, the changes of volume, area, perimeter, thickness, roundness, elongation and density of banana slice were obtained. Also, the change of area and shrinkage were modeled as a function of moisture content ratio using a linear model. Because the RGB color space is a non-absolute color space, the L*a*b* color space was used to evaluate of the browning parameters of samples. A color chart was used to set and convert the value of the processed images to actual value. The color values of the chart were measured using colorimeter and image processing technique. At the end, the values were compared and a suitable model was present to convert image processing value to actual value. In this section, the kinetics of the color change of banana slice was investigated using determination of L*, a*, b* values and ?E, ?H, BI, Chroma, Hue angle and saturation parameters. In addition, the kinetics of changes of L*, a*, b* and ?E as a function of the drying time were modeled. For this purpose, the zero-order and the first-order models were used. The moisture content ratio, the shrinkage and the browning of banana slice during drying process were predicted using artificial neural networks. Therefore, a feed forward network with the tansig and logsig transfer function and Levenbery- Marqwardt and Momentum learning rules was used for this prediction. At the end, the predictions of the neural networks and the best mathematical model were compared to predict the moisture content ratio. The results of this study showed, the air temperature and the sample thickness were effective on the changes of the banana moisture content. However, the effect of the air velocity was not clear. The results of the mathematical modeling showed that the Midilli et al model had the best estimation of drying process based on the statistical parameters. In the section of shrinkage, the results showed, the sample thickness was the most important effective parameters on the changes of the shape parameters. But, the effect of the air velocity and the air temperature were not clear. In the section of browning, affect of the air temperature on the changes of the colour parameters was the most important. Results of the comparison between the neural networks and the mathematical models showed that the neural networks were better than the mathematical models to predict the moisture content ratio. Keywords: Thin Layer Drying; Image ProcesSing Technique; Shrinkage; Browning; Artificial Neural Network; MATLAB
