تشخیص تازگی گوشت گوساله به کمک پردازش تصویر و سطح پاسخ

نوع مقاله : مقاله پژوهشی

نویسندگان

• حسین جوادی کیا ¹
• مهدی قاسمی ورنامخواستی ²
• سجاد سبزی ¹

¹ گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی.

² گروه مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد.

https://doi.org/10.22067/ifstrj.v1395i0.50161

چکیده

گوشت و محصولات مرتبط با آن ارزش تجاریی بالایی داشته و یکی از مهمترین اقلام سبد غذایی خانوار را تشکیل می‌دهد. با توجه به عرضه گوشت در قصابی‌ها و نیز استفاده از آن در کارخانه‌های فرآوری نیاز به اطمینان از تازگی آن احساس می‌شود چه بسا گوشت با گذشت از زمان ذبح آن نه تنها از کیفیت آن کاسته می‌شود بلکه ممکن است به سبب فساد موجب بیماری نیز شود لذا هدف از این تحقیق تشخیص تازگی گوشت گوساله با تخمین مدت زمان گذشته از ذبح می‌باشد. برای این منظور از سه قسمت ران، سر دست و گردن گوساله ذبح شده نمونه‌هایی تهیه شد و نمونه‌ها در دو محیط استاندارد و رایج یکی در یخچال با دمای 3 درجه سانتی‌گراد و دیگری در محیط خنک با دمای میانگین 8 درجه سانتی‌گراد نگهداری شد سپس از نمونه‌ها در زمان‌های مشخص (هر 2 ساعت) تصویربرداری شد و از تصاویر تهیه شده توسط پردازش تصویر و به کمک نرم‌افزار MATLAB پارامترهایی استخراج گردید. از بین پارامترهای استخراج شده توسط آنالیز حساسیت سه پارامتر به‌عنوان عامل تأثیرگذار در مدت زمان گذشته از ذبح انتخاب گردید که عبارتند از: خصوصیت بافت، میزان کنتراست و زبری سطح گوشت. در نهایت به کمک روش سطح پاسخ و توسط نرم‌افزارDesign Expert مدل‌های مناسبی تدوین و بهینه گردید.

کلیدواژه‌ها

• گوشت گوساله
• پردازش تصویر
• سطح پاسخ
• تازگی گوشت
• زمان ذبح

مراجع

Adelkhani, A., Beheshti, B.,Minaei, S., Javadikia, P. & Ghasemi-Varnamkhasti, M., 2013, Taste characterization of orange using image processing combined with ANFIS. Measurement, 46(9), 3573-3580.

Chmiel, M., Słowiński, M. & Dasiewicz, K., 2011-a, Lightness of the color measured by computer image analysis as a factor for assessing the quality of pork meat. Meat Science, 88, 566-70.

Chmiel, M., Słowiński, M. & Dasiewicz, K., 2011-b, Application of computer vision systems for estimation of fat content in poultry meat. Food Control, 22,1424-1427.

Girolami, A., Napolitano, F., Faraone, D. & Braghieri, A., 2013, Measurement of meat color using a computer vision system. Meat Science, 93, 111-118.

ISIRI 692, Meat, chicken, egg and fish-storage in cold stores - Code of practice, Institute of Standards and Industrial Research of Iran, 1st. revision.

Jackman, P., Sun, D.-W. & Allen, P., 2011, Recent advances in the use of computer vision technology in the quality assessment of fresh meats. Trends in Food Science & Technology, 22, 97-185.

Lu, J., Tan, J., Shatadal, P. & Gerrard, D., 2000, Evaluation of pork color by using computer vision. Meat Science, 56, 57-60.

Mancini, R. & Hunt, M., 2005, Current research in meat color. Meat Science, 71, 21-100.

Monin, G., 1998, Recent methods for predicting quality of whole meat. Meat Science, 49, 43-231.

Ramirez, R. & Cava, R., 2007, The crossbreeding of different Duroc lines with the Iberian pig affects colour and oxidative stability of meat during storage. Meat science, 77, 47-339.

Shiranita, K., Hayashi, K., Otsubo, A., Miyajima, T. & Takiyama, R., 2000, Grading meat quality by image processing. Pattern Recognition, 33, 97-104.

Tan, J., 2004, Meat quality evaluation by computer vision. Journal of Food Engineering, 61, 27-35.

Valous, N.A., Mendoza, F., Sun, D.-W. & Allen, P., 2009, Colour calibration of a laboratory computer vision system for quality evaluation of pre-sliced hams. Meat Science, 81, 41-132.

Wu, D. & Sun, D.-W., 2013, Colour measurements by computer vision for food quality control – A review. Trends Food Sci Technol, 29, 5-20.

Zheng, C., Sun, D.-W. & Zheng, L., 2006, Correlating colour to moisture content of large cooked beef joints by computer vision. J Food Eng, 77, 63-858.