نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

گروه علوم و مهندسی صنایع غذایی، دانشگاه زنجان، زنجان، ایران.

چکیده

در پژوهش حاضر با بهره‌گیری از منطق فازی و با کمک روش حداکثری- حداقلی ممدانی و یکی از توابع عضویت مثلثی، گوسی و ذوزنقه‌ای برای طبقه‌بندی کیفی لیموشیرین پوشش‌دهی‌شده با بهره‌گیری از دو الگوریتم، یکی با پنج ورودی (سفتی بافت، مواد جامد محلول، درصد رنگ سبز، حجم و رنگ پوست) و دیگری با سه ورودی حاصل از تصویر (درصد رنگ سبز، حجم و رنگ پوست) استفاده گردید. برای پیش‌بینی خصوصیات کیفی (سفتی و شاخص رسیدگی) نیز از سیستم ممدانی و تــوابع عضـویت مطلوب مثلثی، ذوزنقه‌ای، زنگوله‌ای و گوسی با کمک سه ورودی (یعنی زمان نگهداری، زاویه رنگ و حجم) استفاده شد. نتایج نشان داد که میانگین دقت الگوریتم طبقه‌بندی برای توابع عضویت گوسی، مثلثی و ذوزنقه‌ای به‌ترتیب 975/0، 931/0 و 960/0 بود. نکته مهم دیگر این که مدل بر مبنای شاخص‌های استخراجی از تصویر نیز عملکرد بسیار خوبی داشت (صحت بالاتر از 966/0). مشخص شد که بهترین پیش‌بینی برای شاخص رسیدگی و سفتی بافت به‌ترتیب با مدل منطق فازی با توابع عضویت مثلثی (ضریب تبیین برابر 9996/0) و گوسی (ضریب تبیین برابر 9992/0) قابل دستیابی است. نتایج حاصل از تجزیه ‌و ‌تحلیل میزان حساسیت نشان داد که زمان نگهداری بیشترین تاثیر را هم بر شاخص رسیدگی و هم بر سفتی سطحی لیمو شیرین دارد. در نهایت می‌توان گفت که سیستم استنتاج عصبی- فازی عملکرد قابل قبولی در طبقه‌بندی کیفی و پیش‌بینی خصوصیات فیزیکی‌وشیمیایی لیموشیرین برخوردار است و با توجه به استفاده از خصیصه‌های استخراجی از تصاویر، به‌عنوان روش غیرمخرب در سردخانه‌ها قابل استفاده است.

کلیدواژه‌ها

موضوعات

Abbaspour‐Gilandeh, Y. and A. Jahanbakhshi and M. Kaveh. 2020. Prediction kinetic, energy and exergy of quince under hot air dryer using ANNs and ANFIS. Food Science & Nutrition 8: 594-611.
Al-Mahasneh, M., M. Aljarrah, T. Rababah and M. Alu’datt. 2016. Application of hybrid neural fuzzy system (ANFIS) in food processing and technology. Food Engineering Reviews 8: 351-366.
Askari, G. and A. Karaminia and M. Mousavi. 2019. Development of novel active coating from Sagez and Sagez-Zein to increase the shelf life of sweet lemon (Citrus limetta). Journal of Food and Bioprocess Engineering 3: 47-54.
Bahram-Parvar, M. and F. Salehi and S. M. Razavi. 2017. Adaptive neuro-fuzzy inference system (ANFIS) simulation for predicting overall acceptability of ice cream. Engineering in Agriculture, Environment and Food 10: 79-86.
Banakar, A., H. Zareiforoush, M. Baigvand, M. Montazeri, J. Khodaei and N. Behroozi‐Khazaei. 2017. Combined application of decision tree and fuzzy logic techniques for intelligent grading of dried figs. Journal of food process Engineering 40: e12456.
Barreca, D., E. Bellocco, C. Caristi, U. Leuzzi and G. Gattuso. 2011. Flavonoid profile and radical-scavenging activity of Mediterranean sweet lemon (Citrus limetta Risso) juice. Food Chemistry 129: 417-422.
Birle, S. and M. Hussein and T. Becker. 2013. Fuzzy logic control and soft sensing applications in food and beverage processes. Food Control 29: 254-269.
Chen, H. and Z. Sun and H. Yang. 2019. Effect of carnauba wax-based coating containing glycerol monolaurate on the quality maintenance and shelf-life of Indian jujube (Zizyphus mauritiana Lamk.) fruit during storage. Scientia horticulturae 244: 157-164.
Chung, D.-H., S.-H. Kim, N. Myung, K. J. Cho and M.-J. Chang. 2012. The antihypertensive effect of ethyl acetate extract of radish leaves in spontaneously hypertensive rats. Nutrition Research and Practice 6: 308-314.
Fashi, M. and L. Naderloo and H. Javadikia. 2019. The relationship between the appearance of pomegranate fruit and color and size of arils based on image processing. Postharvest Biology and Technology 154: 52-57.
Gavahian, M., A. Farahnaky, K. Javidnia and M. Majzoobi. 2013. A novel technology for extraction of essential oil from Myrtus communis: ohmic-assisted hydrodistillation. Journal of Essential Oil Research 25: 257-266.
Gharibi, H., A. H. Mahvi, R. Nabizadeh, H. Arabalibeik, M. Yunesian and M. H. Sowlat. 2012. A novel approach in water quality assessment based on fuzzy logic. Journal of Environmental Management 112: 87-95.
Goel, N. and P. Sehgal. 2015. Fuzzy classification of pre-harvest tomatoes for ripeness estimation–An approach based on automatic rule learning using decision tree. Applied Soft Computing 36: 45-56.
International, A. 2006. Official methods of analysis: AOAC Int Arlington, VA.
Iraji, M. S. and A. Tosinia. 2011. Classification tomatoes on machine vision with fuzzy the mamdani inference, adaptive neuro fuzzy inference system based (anfis-sugeno). Australian Journal of Basic and Applied Sciences 5: 846-853.
Jafari, S. M., M. Ganje, D. Dehnad and V. Ghanbari. 2016. Mathematical, fuzzy logic and artificial neural network modeling techniques to predict drying kinetics of onion. Journal of Food Processing and Preservation 40: 329-339.
Kaveh, M., Y. Abbaspour-Gilandeh, R. Amiri Chayjan and R. Mohammadigol. 2018. Comparison of mathematical modeling, artificial neural networks and fuzzy logic in predicting the moisture ratio of garlic and shallot in a fluidized bed dryer (In Persian). Journal of Agricultural Machinery.
Kingwascharapong, P., K. Arisa, S. Karnjanapratum, F. Tanaka and F. Tanaka. 2020. Effect of gelatin-based coating containing frog skin oil on the quality of persimmon and its characteristics. Scientia Horticulturae 260: 108864.
Klangmuang, P. and R. Sothornvit. 2018. Active coating from hydroxypropyl methylcellulose-based nanocomposite incorporated with Thai essential oils on mango (cv. Namdokmai Sithong). Food Bioscience 23: 9-15.
Ligus, M. and P. Peternek. 2018. Determination of most suitable low-emission energy technologies development in Poland using integrated fuzzy AHP-TOPSIS method. Energy Procedia 153: 101-106.
Maftoonazad, N. and H. S. Ramaswamy. 2019. Application and Evaluation of a Pectin-Based Edible Coating Process for Quality Change Kinetics and Shelf-Life Extension of Lime Fruit (Citrus aurantifolium). Coatings 9: 285-294.
Morsy, N. E. and A. M. Rayan. 2019. Effect of different edible coatings on biochemical quality and shelf life of apricots (Prunus armenica L. cv Canino). Journal of Food Measurement and Characterization 13: 3173-3182.
Nadian, M. H., M. H. Abbaspour-Fard, A. Martynenko and M. R. Golzarian. 2017. An intelligent integrated control of hybrid hot air-infrared dryer based on fuzzy logic and computer vision system. Computers and Electronics in Agriculture 137: 138-149.
Papageorgiou, E. I., K. Aggelopoulou, T. A. Gemtos and G. Nanos. 2018. Development and evaluation of a fuzzy inference system and a neuro-fuzzy inference system for grading apple quality. Applied Artificial Intelligence 32: 253-280.
Rad, S. J., M. Kaveh, V. R. Sharabiani and E. Taghinezhad. 2018. Fuzzy logic, artificial neural network and mathematical model for prediction of white mulberry drying kinetics. Heat and Mass Transfer 54: 3361-3374.
Sabbaghi, H. and A. M. Ziaiifar and M. Kashaninejad. 2019. Design of Fuzzy System for Sensory Evaluation of Dried Apple Slices Using Infrared Radiation. Iranian journal of Biosystem Engineering 50: 77-89.
Sakthivel, G. and D. Saravanakumar and T. Muthuramalingam. 2018. Application of failure mode and effect analysis in manufacturing industry-an integrated approach with FAHP-fuzzy TOPSIS and FAHP-fuzzy VIKOR. International Journal of Productivity and Quality Management 24: 398-423.
Sung, N.-Y., W.-Y. Park, Y.-E. Kim, E.-J. Cho, H. Song, H.-K. Jun, J.-N. Park, M.-H. Kim, G.-H. Ryu and E.-H. Byun. 2016. Increase in anti-oxidant components and reduction of off-flavors on radish leaf extracts by extrusion process. Journal of the Korean Society of Food Science and Nutrition 45: 1769-1775.
Vélez-Rivera, N., J. Blasco, J. Chanona-Pérez, G. Calderón-Domínguez, M. de Jesús Perea-Flores, I. Arzate-Vázquez, S. Cubero and R. Farrera-Rebollo. 2014. Computer vision system applied to classification of “manila” mangoes during ripening process. Food and Bioprocess Technology 7: 1183-1194.
Yan, J., Z. Luo, Z. Ban, H. Lu, D. Li, D. Yang, M. S. Aghdam and L. Li. 2019. The effect of the layer-by-layer (LBL) edible coating on strawberry quality and metabolites during storage. Postharvest Biology and Technology 147: 29-38.
Zadeh, L. A. 1965. Fuzzy sets. Information and control 8: 338-353.