مدل سازی تغییرات شیمیایی و میکروبی گل زعفران طی نگهداری با استفاده از شبکه های عصبی مصنوعی و الگوریتم ژنتیک

زعفران، به عنوان گران‌ترین محصول کشاورزی و دارویی جهان، جایگاه ویژه‌ای در میان گیاهان دارد. از آنجایی که دوره برداشت زعفران کوتاه است، نگهداری آن برای پردازش‌های بعدی مستلزم درک مؤثرترین عوامل مؤثر بر کیفیت زعفران و زوال آن است. بنابراین، اثر ضخامت چیدمان، دمای نگهداری و زمان نگهداری گل‌های زعفران بر پارامترهای شیمیایی آن، شامل مقادیر CROCIN، SAFRANAL و Picrocrocin کلاله زعفران و همچنین شاخص‌های کیفیت میکروبی آن شامل شمارش کلی، کلیفرم و آلودگی کپکی مدل‌سازی شد. این کار با استفاده از شبکه عصبی مصنوعی پروپرسترون چند لایه (MLP) انجام شد و ساختار و پارامترهای یادگیری آن با استفاده از تکنیک الگوریتم ژنتیک بهینه شدند. شبکه عصبی MLP بهینه‌شده توانست ویژگی‌های کیفیت زعفران را در طول نگهداری با ضریب تعیین‌های بالاتر از ۹۴٪ و مقادیر خطای پایین (RMSE کمتر از ۳.۵ برای همه پاسخ‌ها) پیش‌بینی کند. مدل ANN نشان داد که ضخامت چیدمان کمترین تأثیر را بر زوال پارامترهای شیمیایی و میکروبی دارد، در حالی که افزایش دمای نگهداری و زمان نگهداری به طور چشمگیری باعث از دست رفتن کیفیت شد، اگرچه تأثیر زمان نگهداری کمتر از دمای نگهداری بود. به طور کلی، نگهداری گل‌های تازه زعفران در دمای پایین نزدیک به صفر درجه سانتی‌گراد برای حفظ حداکثری ترکیبات شیمیایی ارزشمند و حداقل توسعه آلودگی میکروبی در طول ذخیره‌سازی گل‌های زعفران برای پردازش‌های بعدی ضروری است.

Saffron, as the most expensive agricultural and pharmaceutical product of the world, has a special value among plants. Since the Saffron harvesting period is short, its storage for later processing requires understanding the most effective factors affecting the quality of saffron and its deterioration. Therefore the effects of reposition thickness, storage temperature and storage time of saffron flowers on its chemical parameters including CROCIN, SAFRANAL and picrocrocin values of saffron stigma and its microbial quality indicators including total count, coliform and mold contamination were modelled.This was done using MULTI-LAYER PERCEPTRON artificial neural network (ANN) and its structure and the learning parameters were optimized using genetic algorithm technique. The optimized MLP neural network was capable to predict the saffron quality characteristics during storage with coefficient of determinations higher than %94 and low error values (RMSE lower than 3.5 for all responses). The ANN model showed that reposition thickness has the lowest impact on chemical and microbial parameters deterioration while increasing storage temperature and time drastically increased loss of quality although the effect of storage time is lower than that of storage temperature. Overall, keeping fresh saffron flowers at a low temperature near zero degrees centigrade is necessary for maximum retention of valuable chemical compounds and minimum microbial contamination development during saffron flower storage for further processing.