فناوری مواد غذایی
رضا جابری؛ احمد پدرام نیا؛ سارا ناجی طبسی؛ امیرحسین الهامی راد؛ مسعود شفافی
چکیده
روغن ها و چربی ها به‌منظور بهبود مواد مغذی و خصوصیات کیفی به‌طور گسترده در فرمولاسیون مواد غذایی مورد استفاده قرار می گیرند. درسال های اخیر، آگاهی مصرف کننده ها از رابطه بین رژیم غذایی و سلامتی افزایش یافته است که باعث افزایش نگرانی از نظر میزان اسیدهای چرب اشباع در محصولات غذایی شده است. بنابراین در این تحقیق استفاده ...
بیشتر
روغن ها و چربی ها به‌منظور بهبود مواد مغذی و خصوصیات کیفی به‌طور گسترده در فرمولاسیون مواد غذایی مورد استفاده قرار می گیرند. درسال های اخیر، آگاهی مصرف کننده ها از رابطه بین رژیم غذایی و سلامتی افزایش یافته است که باعث افزایش نگرانی از نظر میزان اسیدهای چرب اشباع در محصولات غذایی شده است. بنابراین در این تحقیق استفاده از چربی جامد با محتوای اسیدهای چرب غیراشباع با استفاده از اولئوژل جهت تولید مافین با روغن کاهش یافته مورد بررسی قرارگرفت. ابتدا به روش غیرمستقیم قالب گیری کف با استفاده از کمپلکس پروتئین سفیده تخم مرغ و صمغ زانتان سیستم اولئوژل روغن کنجد تولید شد. سپس اولئوژل جهت تولید کیک مافین با روغن کاهش یافته در سه سطح 10، 30 و 50 درصد استفاده شد. در این مطالعه ویژگی های بافتی، رنگ، تخلخل، فعالیت آبی، رطوبت و حجم مخصوص نمونه های مافین مورد بررسی قرارگرفت. مافین با 10 درصد روغن کاهش یافته بیشترین حجم و دانسیته را داشت و از ویژگی های بافتی مشابه نمونه شاهد برخوردار بود. با کاهش میزان چربی به 50 درصد مقدار اولیه حجم مافین کاهش و سفتی بافت افزایش یافت که این افزایش معنی دار بود (05/0p<). نتایج ارزیابی حسی نشان داد که نمونه 10درصد روغن کاهش یافته از بالاترین مقبولیت نزد مصرف کننده برخوردار است. با توجه به نتایج این پژوهش می توان بیان داشت با استفاده از سیستم اولئوژل ضمن مهار مشکلات ناشی از چربی می توان محصولات رژیمی فاقد کلسترول با خواص حسی و کیفی بهبودیافته و به‌عنوان یک غذای عملگرا تولید نمود.
مهدی ایرانی؛ مسعود شفافی؛ حسن ایرانی
چکیده
این مقاله روش جدیدی را بر پایه مودول‌های شبکه عصبی (MNNs) و سیستم استنتاج فازی جهت مونیتور کردن و کنترل فرآیند غذایی ارائه می‌دهد. MNN پیشنهادشده متشکل از سه مودول است، هر یک از آن‌ها مشخصه‌های مختلف تصویر را جهت ورودی استفاده می‌کنند که شامل: edge detection، wavelet transform و Hough transform هستند. جهت ترکیب خروجی‌های مدول‌های شبکه عصبی در رابطه با طبقه‌بندی ...
بیشتر
این مقاله روش جدیدی را بر پایه مودول‌های شبکه عصبی (MNNs) و سیستم استنتاج فازی جهت مونیتور کردن و کنترل فرآیند غذایی ارائه می‌دهد. MNN پیشنهادشده متشکل از سه مودول است، هر یک از آن‌ها مشخصه‌های مختلف تصویر را جهت ورودی استفاده می‌کنند که شامل: edge detection، wavelet transform و Hough transform هستند. جهت ترکیب خروجی‌های مدول‌های شبکه عصبی در رابطه با طبقه‌بندی تصاویر میوه به در طی فرآیند آبگیری اسمزی از سیستم استنتاج فازی sugeno استفاده شد. جهت تست این روش، برای طبقه‌بندی، پایگاه داده از 108 تصویر میوه به (12 طبقه‌بندی یا کلاس) تشکیل شد. در آزمایشات صورت‌گرفته این روش توسعه‌یافته، طبقه‌بندی تصاویر را با دقت 6/91% تشخیص داد. در مرحله بعد، مقادیر جذب ماده جامد (SG)، میزان دفع آب (WL) و محتوای رطوبتی (MC) به‌عنوان خروجی مودول‌های شبکه عصبی در نظر گرفته شدند، در جایی‌که زمان فرآیند آبگیری اسمزی و تصویر طبقه‌بندی‌شده به‌عنوان ورودی‌های شبکه عصبی در نظر گرفته شدند. حداقل MRE% (153/18) به‌همراه توانایی پیشگویی 89% برای میزان دفع آب (WL) زمانی‌که از دو لایه مخفی و در هر لایه 6 نرون استفاده شد، به‌دست آمد. کمترین میزان MRE% (3535/35) به‌همراه توانایی پیشگویی 93% برای میزان جذب ماده جامد (SG) زمانی‌که از از دولایه مخفی به‌نحوی که در لایه اول 6 و در لایه دوم 8 نرون استفاده شد، به‌دست آمد و درنهایت برای محتوای رطوبتی (MC) حداقل MRE% (4759/7) به‌همراه توانایی پیشگویی 96% در استفاده از 6 و 5 نرون به‌ترتیب در لایه مخفی اول و دوم به‌دست آمد. نتایج نشان دادند که این روش به‌طور ستونی می‌تواند در جهت مدل‌سازی کیفی و مونیتور کردن تغیرات کیفی مواد غذایی در حین فرآیند آبگیری اسمزی مورداستفاده قرار بگیرد.
