الگا عظیمی؛ رضا فرهوش؛ محبت محبی؛ مهدی سعادتمند طرزجان
چکیده
روغن‌ها مواد غذایی با ارزشی هستند که علاوه بر تأمین انرژی نقش مهمی در بقای سلامت دارند. بنابراین یافتن روش‌های تشخیص سریع کیفیت روغن‌ها از اهمیت ویژه‌ای برخوردار است. بینایی کامپیوتر یکی از فناوری‌های پرکاربرد و مقرون‌به‌صرفه در صنایع غذایی می‌باشد. هدف این مقاله معرفی روشی ساده و کم‌هزینه برای طبقه‌بندی روغن‌های گیاهی خوراکی ...
بیشتر
روغن‌ها مواد غذایی با ارزشی هستند که علاوه بر تأمین انرژی نقش مهمی در بقای سلامت دارند. بنابراین یافتن روش‌های تشخیص سریع کیفیت روغن‌ها از اهمیت ویژه‌ای برخوردار است. بینایی کامپیوتر یکی از فناوری‌های پرکاربرد و مقرون‌به‌صرفه در صنایع غذایی می‌باشد. هدف این مقاله معرفی روشی ساده و کم‌هزینه برای طبقه‌بندی روغن‌های گیاهی خوراکی (سویا، آفتاب‌گردان، کانولا، کنجد و زیتون) از یکدیگر و همچنین تشخیص سالم یا تند بودن آن‌ها به کمک روش‌های آماری چند متغیره (تحلیل تفکیک خطی و تحلیل مؤلفه اصلی) با توجه به نقطه دوریز بر اساس محصولات اولیه و ثانویه اکسایشی است. ویژگی‌های فیزیکوشیمیایی 77 نمونه روغن شامل عدد پراکسید و عدد کربونیل در دمای 80 درجه سانتی‌گراد موردسنجش قرار گرفت. برای طبقه‌بندی از شاخص رنگی L*a*b* استفاده گردید. مقایسه نتایج تحلیل تفکیک خطی نشان داد که تفکیک‌پذیری بین دو نوع روغن مختلف ۱۰۰% است و تنها تفکیک بین یک نوع روغن در حالت‌های تند و سالم منجر به کاهش دقت در حدود ۹۷% شده است. همچنین بررسی کلی و هم‌زمان نمونه‌های روغن در هر دو حالت سالم و تندشده توسط دوطبقه بند LDA و PCA نشان داد که طبقه‌بندی هر روغن به‌تنهایی بیشترین دقت (۱۰۰%) را دارد و نتایج بررسی چندین نوع روغن متفاوت دقت کمتری (98% و 96%) را دارا می‌باشد، اما در عمل نتایج این طبقه‌بندی با توجه به گستره رنگی متنوع روغن‌های گیاهی در حد قابل‌قبول است و طبقه‌بند تحلیل تفکیک خطی در حدود 40% نسبت به طبقه‌بند تحلیل مؤلفه اصلی در این مطالعه موفق‌تر عمل کرد.
سامان آبدانان مهدی زاده؛ سمیه امرایی
چکیده
رنگ اولین ویژگی کیفیت مواد غذایی است که توسط مصرف کنندگان مورد بررسی قرار می گیرد. اندازه گیری رنگ مواد غذایی به‌عنوان یک شاخص غیرمستقیم در اندازه گیری دیگر ویژگی های کیفیتی مانند عطر و طعم و محتویات رنگدانه به دلیل سرعت و سادگی در اندازه گیری، و همچنین ارتباط با سایر خواص فیزیکی محصولات غذایی مورد استفاده قرار می گیرد. در میان فضاهای ...
بیشتر
رنگ اولین ویژگی کیفیت مواد غذایی است که توسط مصرف کنندگان مورد بررسی قرار می گیرد. اندازه گیری رنگ مواد غذایی به‌عنوان یک شاخص غیرمستقیم در اندازه گیری دیگر ویژگی های کیفیتی مانند عطر و طعم و محتویات رنگدانه به دلیل سرعت و سادگی در اندازه گیری، و همچنین ارتباط با سایر خواص فیزیکی محصولات غذایی مورد استفاده قرار می گیرد. در میان فضاهای رنگی مختلف، عموما در اندازه گیری رنگ مواد غذایی، از فضای رنگی L*a*b* با توجه به توزیع یکنواخت و نزدیکی بسیار زیاد به ادراک انسان استفاده می شود. بطور کلی رنگ سنج های تجاری هنگام اندازه-گیری رنگ، سطح کوچکی از محصول را پوشش می دهند. در مقابل دوربین های دیجیتال اطلاعات پیکسلی را در اختیار کاربر قرار می دهند؛ این پژوهش یک راه‌حل محاسباتی به‌منظور استخراج واحدهای L*a*b* از اطلاعات پیکسلی تصاویر RGB دیجیتال را ارائه می دهد. در این مطالعه به‌منظور تبدیل واحدهای RGB به L*a*b* از چهار مدل: خطی، درجه دوم، شبکه عصبی مصنوعی (ANN) و رگرسیون بردار پشتیبانی (SVR) استفاده گردید. در ارزیابی مدل ها، رگرسیون بردار پشتیبانی و مدل شبکه عصبی به ترتیب با خطای 88/0 و 37/2 بهترین عملکرد را از خود نشان دادند. با توجه به مدل های شکل گرفته، ارتباط خوبی بین رنگ اندازه گیری و برآورد شده تشکیل شده بود. بنابراین، بر اساس نتایج بدست آمده از بینایی ماشین، روش توصیه شده در این پژوهش برای تبدیل دقیق رنگ یک محصول غذایی از روی اطلاعات پیکسلی یک دوربین دیجیتال به L*a*b* مناسب می باشد.
سید علی جعفرپور
چکیده
رنگ و ویژگی‌های ظاهری سطح یک ماده غذایی به‌عنوان اولین پارامترهایی هستند که توسط مصرف‌کننده مورد قضاوت قرار گرفته و مبنای رد یا قبول آن ماده می‌باشد. در این پژوهش کارآیی دستگاه IMG-Pardazesh در خصوص اندازه‌گیری رنگ در مقایسه با سیستم CIE L*ab، سیستم Hunter lab و سیستم استاندارد Patch Tool مورد ارزیابی قرار گرفت. بر این مبنا میزان عددی همبستگی (R2) موجود ...
بیشتر
رنگ و ویژگی‌های ظاهری سطح یک ماده غذایی به‌عنوان اولین پارامترهایی هستند که توسط مصرف‌کننده مورد قضاوت قرار گرفته و مبنای رد یا قبول آن ماده می‌باشد. در این پژوهش کارآیی دستگاه IMG-Pardazesh در خصوص اندازه‌گیری رنگ در مقایسه با سیستم CIE L*ab، سیستم Hunter lab و سیستم استاندارد Patch Tool مورد ارزیابی قرار گرفت. بر این مبنا میزان عددی همبستگی (R2) موجود بین سه پارامتر L*، a* و b* به‌دست آمده از دستگاه IMG-Pardazesh در مقایسه باسیستم CIE L*ab به‌ترتیب معادل 996/0، 998/0، و 980/0 و در مقایسه با داده‌های Hunter lab معادل 983/0، 981/0، و 871/0 و با داده‌های نرم افزار Patch-color دارای میزان همبستگی (R2) معادل 935/0، 881/0 و 953/0 بود. در خصوص دستگاه اندازه‌گیری رنگ IMG-Pardazesh از بین ارزش عددی پارامترهای رنگ L*a*b*، و مقایسه آن با داده‌های سیستم CIE L*ab کاملا مشهود است که شاخص خطای جذر میانگین مربعات RMSD در تمامی پارامترها با اختلاف جزئی کمتر بوده و در مقایسه با سیستم Hunter lab به‌جز پارامتر a در سایر پارامترها دارای ارزش عددی بسیار پایین‌تری بود. به‌علاوه محاسبه خطای نرمال شده‌ی میانگین‌ها نشان‌دهنده وجود خطای به‌مراتب بالاتر در تمامی پارامترها در سیستم CIE L*ab و خطای بسیار بالاتر در دو پارامتر L* و b* در سیستم Hunter lab می‌باشد. نتیجه اینکه بر مبنای این شاخص نیز می‌توان پی برد که دستگاه IMG-Pardazesh از میزان خطای کمتری در برآورد پارامترهای رنگ در مقایسه با سایر سیستم‌ها برخوردار می‌باشد.
