##plugins.themes.bootstrap3.article.main##

فائزه جمالیزاده مهدی قاسمی ورنامخواستی مهدی قاسمی نافچی مجتبی توحیدی مجید دولتی

چکیده

ادویه‌جات از با ارزش‌ترین 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 از جمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در این پژوهش، یک سامانه ماشین بویایی بر پایه هشت حسگر نیمه هادی 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 استخراج شده از سیگنال پاسخ حسگرها از روش تحلیل مولفه‌های اصلی (PCA) استفاده شد. براساس نتایج حاصل، آنالیز مولفه‌های اصلی با مجموع دو مولفه اصلی اول %96 برای نمونه‌های فلفل سیاه براساس منشاء جغرافیایی و 95% برای تقلب‌های کبابه چینی و هسته خرما از واریانس داده‌ها قابل توصیف 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.

جزئیات مقاله

کلمات کلیدی

ماشین بویایی, فلفل سیاه, کبابه چینی, هسته خرما

مراجع
امیدبیگی، ر.، 1384، تولید و فرآوری گیاهان دارویی، انتشارات آستان قدس رضوی.

توحیدی، م.؛ قاسمی ورنامخواستی، م.؛ غفاری نیا، و.؛ محتسبی، س.س. و بنیادیان، م.، 1395، ساخت و توسعه یک سامانه ماشین بویایی در ترکیب با روش¬های شناسایی الگو برای تشخیص تقلب فرمالین در شیر خام، مهندسی بیوسیستم ایران، دوره 47 ، شماره 4، ص 1-10.

حاجی نژاد، م.، محتسبی، س. س.، قاسمی ورنامخواستی، م. و آغباشلو، م.، 1396، تشخیص تقلب در نمونه عسل کنار با استفاده از یک سامانه ماشین بویایی، ماشین¬های کشاورزی، جلد 7، شماره 2، ص 450-439.

سیدی، ع. و عابدینی، م.، 1390، شیمی عمومی با نگرش کاربردی جلد 2، ویرایش اول، چاپ هفتم.

طلوعی اشلقی، ع.؛ پورابراهیمی، ع.؛ ابراهیمی، م. و قاسم احمد، ل.، 1391، پیش¬بینی عود مجدد سرطان پستان به کمک سه تکنیک داده کاوی، بیماری¬های پستان ایران، سال 5، شمارع 4، ص 23-34.

قاسمی ورنامخواستی، م.، 2011، طراحی و توسعه و پیاده¬سازی یک سیستم زبان الکترونیک بر پایه حسگرهای نیمه¬هادی اکسید فلزی (MOS) در ترکیب با روش¬های تجزیه و تحلیل تشخیص الگو برای بررسی تشخیص کیفیت و تغییرات آبجو، پایان¬نامه دکتری، دانشگاه تهران.

کیانی، س. و مینایی، س.، 1394، امکان سنجی استفاده از سامانه¬های هوشمند بر پایه ماشین بویایی و ماشین بینایی به منظور بررسی کیفیت و تعیین مواد موثر فرآورده¬های گیاهان داروئی (مطالعه موردی زعفران)، همایش ملی گیاهان دارویی و داروهای گیاهی.

Arshak, K.E., Moore, G. M., Lyons, J., Harris, S. & Clifford., 2004, A review of gas sensors employed in electronic nose applications, Sensor review, 24, 181-198.

Baldwin, E.A., Bai, J., Plotto, A. & Dea, S., 2011, Electronic Noses and Tongues: Applications for the Food and Pharmaceutical Industries, Sensors, 11(5), 4744-4766.

Banach, U., Tiebe, C. & Hubert, T, 2012, Multigas Sensors for the Quality Control of Spice Mixtures, Food Control, 26, 23-27.

Banerjee, D., Chowdhary, S., Chakraborty, S. & Bhattacharyya, R., 2017, Recent Advances in Detection of Food Adulteration. Academic Press, 145-160.

Bhattacharyya, N., Bandyopadhyay, R., Bhuyan, M., Tudu, B., Ghosh, D. & Jana, A., 2008, Electronic nose for black tea classification and correlation of measurements with “Tea Taster” marks, IEEE transactions on instrumentation and measurement, 57(7), 1313-1321.

Carmona, M., Martínez, J., Zalacain, A., Rodríguez-Méndez, M. L., de Saja, J. A. & Alonso, G. L., 2006, Analysis of saffron volatile fraction by TD-GC–MS and e-nose, European Food Research and Technology, 223, 96

Gliszczyńska-Świgło, A. & Chmielewski, J., 2017, Electronic nose as a tool for monitoring the authenticity of food, Food Analytical Methods, 10(6), 1800-1816.

Heidarbeigi, K., Mohtasebi, S.S., Foroughirad, A., Ghasemi-Varnamkhasti, M., Rafiee, S. & Rezaei, K, 2015, Detection of adulteration in saffron samples using electronic nose, International Journal of Food Properties, 18(7), 1391-1401.

Kiani, S., Minaei, S. & Ghasemi-Varnamkhasti., M., 2016a, Application of Electronic Nose Systems for Assessing Quality of Medicinal and Aromatic Plant Products: A review, Journal of Applied Research on Medicinal and Aromatic Plants, 3(1), 1-9.

Kiani, S., Minaei, S. & Ghasemi-Varnamkhasti, M., 2016b, Portable Electronic Nose as an Expert System for Aroma-based Classification of Saffron, Chemometrics and Intelligent Laboratory Systems, 156, 148-156.

Li, C.P., Heinemann, R. & Sherry., 2007, Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection, Sensors and Actuators B: Chemical, 125, 301-310.

Li, Ch., Xu, F., Cao, Ch., Shang, M.Y., Zhang, C.Y., Yu, J., Liu, G.X., Wang, X. & Cai, SH.C., 2013, Comparative analysis of two species of Asari Radix et Rhizoma by electronic nose, headspace GC–MS and chemometrics, Journal of Pharmaceutical and Biomedical Analysis, 85, 231-238.

Liu, H., Zeng, F.K., Wang, Q.H. & Wu, H. S., 2013, Studies on the chemical and flavor qualities of white pepper (Piper nigrum L.) derived from five new genotypes, European Food Research and Technology, 237(2), 245-251.

Lozano, J., Santos, J.P. & Horrillo, M.C., 2005, Classification of white wine aromas with an electronic nose, Talanta., 67, 610–616.

Mahmoudi, E, 2009, Electronic nose technology and its applications, Sensors & Transducers, 107, 17.

Patil, T.R. & Sherekar, S.S., 2013, Performance analysis of Naive Bayes and J48 classification algorithm for data classification, International Journal of Computer Science and Applications, 6(2), 256-261.

Pearce T.C., Gardner J.W., Friel S., Barlett P.N. & Blair., N., 2003, Electronic nose for monitoring the flavor of beers, Analyst, 118, 371–377.

Peter, K.V., (Ed.), 2012, Handbook of herbs and spices, Elsevier.

Sanaeifar, A., Mohtasebi, S.S., Ghasemi-Varnamkhasti, M., Ahmadi, H. & Lozano, J., 2014, Development and application of a new low cost electronic nose for the ripeness monitoring of banana using computational techniques (PCA, LDA, SIMCA, and SVM), Czech Journal of Food Sciences, 32(6), 538– 548.

Sanaeifar, A., Mohtasebi, S.S., Ghasemi-Varnamkhasti, M.. & Ahmadi, H., 2015b, Design, development and implementation of a metal oxide semiconductor (MOS) based machine olfaction system for monitoring of banana ripeness, .Journal of Agricultural Machinery, 5(1), 111-121.

Shafiqul Islam, A.K.M., Ismail, Z., Saad, B., Othman, A.R., Ahmad, M.N. & Shakaff, A.Y.Md., 2006, Correlation studies between electronic nose response and headspace volatiles of Eurycoma longifolia extracts, Sensors and Actuators B, 120, 245-251.

Tahri, K., Tiebe, C., El Bari, N., Hübert, T. & Bouchikhi, B., 2016, Geographical provenience differentiation and adulteration detection of cumin by means of electronic sensing systems and SPME-GC-MS in combination with different chemometric approaches, Analytical Methods, 8(42), 7638-7649.

Tudu, B., Kow, B., Bhattacharyya, N. & Bandyopadhyay, R., 2008, November, Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea, In Sensing Technology, 2008. ICST 2008. 3rd International Conference on (pp. 254-258). IEEE.
ارجاع به مقاله
جمالیزادهف., قاسمی ورنامخواستیم., قاسمی نافچیم., توحیدیم., & دولتیم. (2019). پياده‌سازي يک سامانه ماشين بويايي براي طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی. پژوهش های علوم و صنایع غذایی ایران, 16(4), 479-491. https://doi.org/10.22067/ifstrj.v16i4.76455
نوع مقاله
مقاله پژوهشی فارسی