فائزه جمالیزاده؛ مهدی قاسمی ورنامخواستی؛ مهدی قاسمی نافچی؛ مجتبی توحیدی؛ مجید دولتی
چکیده
ادویه‌جات از باارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی ازجمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در ...
بیشتر
ادویه‌جات از باارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی ازجمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در این پژوهش، یک سامانه ماشین بویایی بر پایه هشت حسگر نیمه‌هادی اکسید فلزی در ترکیب با روش‌های تشخیص الگو به‌منظور طبقه‌بندی و جداسازی ادویه فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب‌های کبابه چینی و پودر هسته خرما به‌کارگرفته شد. به‌منظور تحلیل داده‌های استخراج‌شده از سیگنال پاسخ حسگرها از روش تحلیل مؤلفه‌های اصلی (PCA) استفاده شد. براساس نتایج حاصل، آنالیز مؤلفه‌های اصلی با مجموع دو مؤلفه اصلی اول %96 برای نمونه‌های فلفل سیاه براساس منشاء جغرافیایی و 95% برای تقلب‌های کبابه چینی و هسته خرما از واریانس داده‌ها قابل‌توصیف است. همچنین از سه روش تحلیل تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و درخت تصمیم‌گیری (DT) برای طبقه‌بندی نمونه‌ها استفاده شد. استفاده از روش LDA، برای نمونه‌های فلفل سیاه دقت طبقه‌بندی 100% و برای تقلب‌ها دقت 14/97% را نشان داد. نتایج نشان داد که SVM با تابع گاوسی بالاترین دقت را در طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما را دارد. همچنین میزان موفقیت روش DT در تفکیک و طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما به‌ترتیب 66/96% و 5/88% برآورد شد.
