FT-NIR spektroskopi ve yapay sinir ağları kullanılarak domateslerin içsel kalite kriterlerinin tahmin edilmesi

Abstract

Bu çalışmada; domateste sertlik, SÇKM ve pH gibi içsel kalite kriterlerinin örnekler üzerinde hasarsız olarak ölçülen spektral okumaların, hasarlı olarak ölçülen standart fiziksel ölçümlerin ve yapay sinir ağları regresyon (YSA-Regresyon) yöntemlerinin kullanılması ile tahmin edilmesi hedeflenmiştir. Çalışmada ayrıca, YSA-Regresyon modelleri ile tahmin edilen ürün içsel kalite kriterlerinin tahmin başarılarının önceki bir çalışmada (Selen, 2021) aynı veri setlerinin kullanılması ve PLS analizi ile elde edilen tahmin başarıları ile kıyaslanmasının yapılması hedeflenmiştir. Böylelikle, önceki çalışmada PLS analizi gibi doğrusal yöntemlerle yapılan içsel kalite parametreleri tahmin sonuçları, YSA-Regresyon gibi doğrusal olmayan yöntemler ile yapılan tahmin sonuçları ile aynı veri setleri üzerinden kıyaslaması yapılmıştır. Domatesin üç farklı içsel kalite kriterinin tahmin edilmesi için üç farklı YSA-Regresyon modeli (mimarisi) geliştirilmiştir (farklı giriş değeri sayıları ve farklı saklı tabaka nöron sayıları ile). Geliştirilen YSA-Regresyon modelleri ile domates örneklerinin sertlik, SÇKM ve pH özelliklerinin tahmin edilmesinde elde edilen sonuçlar, daha önce aynı veri seti üzerinde aynı içsel özelliklerin tahmini için geliştirilen ve kullanılan PLS (Kısmi En Küçük Kareler) yöntemi ile elde edilen tahmin sonuçlarına göre özellikle sertlik ve pH tahminlerinde daha iyi sonuç vermiştir. Test veri seti için YSA-Regresyon modelini kullanarak sertlik ve pH tahminleri için elde edilen regresyon değerleri sırasıyla, R2=0,85 ve RMSE=225,80 (sertlik); R2=0,65 ve RMSE=0,11 (pH) olmuştur. SÇKM içeriği için her iki çalışmada elde edilen tahmin sonuçları hemen hemen aynı olmuştur (her iki çalışmada da regresyon değeri R2=0,83 olurken, RMSE değeri YSA-Regresyon modeli için 0,38 ve PLS analiz çalışmasında ise 0,406 olarak bulunmuştur).

In this study, it was aimed to estimate the inner quality criteria of tomatoes such as firmness, TSSC (Total Soluble Solid Content; brix) and pH by using spectral readings measured without damage, standard physical measurements measured as damaged, and artificial neural network regression (ANN-Regression) methods. In the study, it was also aimed to compare the estimation successes of product inner quality criteria estimated by ANN-Regression models with the estimation successes obtained by using the same data sets in a previous study (Selen, 2021) and using PLS (Partial Least Squares) analysis. Thus, comparing the estimation results of internal quality parameters made with linear methods such as PLS analysis in the previous study with the estimation results made by nonlinear methods such as ANN-Regression on the same data sets has been compared. Three different ANN-Regression models (architecture) were developed to predict three different tomato inner quality criteria (with different input value numbers and different hidden layer neuron numbers). The results obtained in the estimation of the firmness, TSSC and pH properties of tomato samples with the developed ANN-Regression models, were especially superior for firmness and pH compared to the estimation results obtained by the PLS method, which was previously developed and used for the estimation of the same inner properties on the same data set. The regression values obtained for firmness and pH estimations using the ANN-Regression model for the test data set were R2=0,85 and RMSE=225,80 (firmness) ; R2=0,65 and RMSE=0,11 (pH) respectively. The estimation results for the content of TSSC in both studies were almost the same (the regression value R2 was 0,83 in both studies, while the RMSE value was 0,38 for the ANN-Regression model and 0,406 in the PLS analysis study).