کاربرد تصویربرداری ابرطیفی مرئی- مادون قرمز نزدیک و روش‌های آنالیز چند متغیره جهت پیشگویی رطوبت و سختی مغزهای پسته برشته شده در شرایط مختلف

ماشین های کشاورزی

مقاله 6، دوره 5، شماره 2 - شماره پیاپی 10، 1394، صفحه 281-291   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v5i2.28486

نویسندگان

تکتم محمدی مقدم^{* 1}؛ سید محمد علی رضوی²؛ مسعود تقی زاده²؛ آمنه سازگارنیا³؛ بیسواجت پرادان⁴

¹دانش‌آموخته دکتری مهندسی صنایع غذایی دانشگاه فردوسی مشهد، مشهد، ایران

²گروه علوم و صنایع غذایی، دانشگاه فردوسی مشهد، مشهد، ایران

³گروه فیزیک پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

⁴دانشگاه پوترا، مالزی

چکیده

با افزایش توقعات در ارتباط با کیفیت و سلامت محصولات غذایی، روش‌های تجزیه‌ای صحیح و دقیق برای اطمینان از کیفیت، صحت و سلامت محصول ضروری است. روش‌های سنتی کنترل مواد غذایی، زمان بر، گران و نیازمند تخریب نمونه هستند. بنابراین استفاده از اتوماسیون برای اطمینان از کیفیت محصولات کشاورزی ضروری است. هدف از این تحقیق استفاده از تصویربرداری ابرطیفی، شیوه‌های مختلف پیش پردازش و روش‌های آنالیز چند متغیره (رگرسیون کمترین مربعات جزئی و شبکه عصبی مصنوعی) جهت پیشگویی رطوبت و سختی مغزهای پسته طی شرایط مختلف برشته کردن (دما، زمان و سرعت جریان هوای برشته کردن) بوده است. نتایج نشان داد تصویربرداری ابرطیفی می‌تواند به‌خوبی برای پیشگویی میزان رطوبت و سختی مغزهای پسته برشته شده به‌کار رود. بررسی‌ها نشان داد استفاده از روش‌های مختلف پیش پردازش می‌تواند باعث کاهش خطای پیشگویی و بهبود کیفیت مدل به‌دست آمده شود. روش شبکه عصبی مصنوعی بهتر از روش کمترین مربعات جزئی توانست برای پیشگویی میزان رطوبت و سختی مغزهای پسته برشته شده به‌کار رود. بهترین مدل برای پیشگویی رطوبت مغزهای پسته برشته شده با انجام پیش پردازش‌های تبدیل متغیر نرمال استاندارد، موجک و مشتق اول به‌دست آمد که میزان ضریب تبیین 907/0 و میزان خطای پیشگویی 179/0 بود. برای پیشگویی سختی مغزهای پسته برشته شده بهترین مدل از پیش پردازش‌های تبدیل متغیر نرمال استاندارد، موجک و مشتق دوم به‌دست آمد که میزان ضریب تبیین 876/0 و میزان خطای پیشگویی216/5 به‌دست آمد.

کلیدواژه‌ها

آزمون فشاری؛ برشته کردن؛ پسته؛ تصاویر ابرطیفی

مراجع

1. Cogdill, R. P., Jr. C. R. Hurburgh, and G. R. Rippke. 2004. Single-kernel maize analysis by near-infrared hyperspectral imaging. Transactions of the ASABE 47 (1): 311-320.

2. Food and Agriculture Organization of the United Nations. 2013. Available from: http://www.fao.org.

3. Goktas Seyhan, F. 2003. Effect of soaking on salting and moisture uptake of pistachio nuts (Pistachiavera L.) from Turkiye. GIDA 28 (4): 395-400.

4. Gowen, A. A., C. P. O’Donnell, P. J. Cullen, G. Downey, and J. M. Frias. 2007. Hyperspectral imaging – an emerging process analytical tool for food quality and safety control. Trends in Food Science & Technology 18: 590-598.

5. Kashaninejad, M., A. Mortazavi, A. Safekordi, and L. G. Tabil. 2005. Some physical properties of pistachio (Pistachio Vera L.) nut and its kernel. Journal of Food Engineering 72 (1): 30-38.

6. Kim, M. S., Y. R. Chen, and P. M. Mehl. 2000. Hyperspectral reflectance and fluorescence imaging system for food quality and safety. American Society of Agricultural Engineers 44 (3): 721-729.

7. Mahesh, S., A. Manickavasagan, D. S. Jayas, J. Paliwal, and N. D. G. White. 2008. Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes. Biosystems engineering July: 50-57.

8. Maghsudi, Sh. 2010. Pistachio (agricultural, industry, nutrition and treatment). Iran Agricultural science Publishing Inc., Iran. (In Farsi).

9. Monteiro, S. T., Y. Minekawa, Y. Kosugi, T. Akazawa, and K. Oda. 2007. Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery. ISPRS Journal of Photogrammetry & Remote Sensing 62: 2-12.

10. Nakariyakul, S., and D. P. Casasent. 2011. Classification of internally damaged almond nuts using hyperspectral imagery. Journal of Food Engineering 103: 62-67.

11. Nicolaï, B. M., K. Beullens, E. Bobelyn, A. Peirs, W. Saeys, K. Theron, and J. Lammertyn. 2007. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review. Postharvest Biology and Technology 46: 99-118.

12. Ozdemir, M. 2001. Mathematical analysis of color changes and chemical parameters of roasted hazelnuts. Ph.D Thesis.

13. Pangan.Available from: http://pangan12.blogfa.com/post-558.aspx.Visited: 2011.

14. Sun, D.W. 2010. Hyperspectral imaging for food quality analysis and control. Academic press is an imprint of Elsevier.

15. Weinstock, B. A., J. Janni, L. Hagen, and S. Wright. 2006. Prediction of oil and oleic acid concentrations in individual corn (Zea mays L.) kernels using near infrared reflectance hyperspectral imaging and multivariate analysis. Applied Spectroscopy 60 (1): 9-16.

16. William, P. C., and D. G. Sobering. 1996. How do we do it: a brief summary of the method we use in developing near infrared calibrations. In: Davies, A.M.C., Williams, P. (Eds.), Near Infrared Spectroscopy: The Future Waves. The Proceeding of the Seventh International Conference on Near Infrared Spectroscopy. Montreal, pp.185-188.

17. Williams, P., P. Geladi, G. Fox, and M. Manley. 2009. Maize kernel hardness classification by near infrared (NIR) hyperspectral imaging and multivariate data analysis. Analytica Chimica Acta 653: 121-130.

18. Yoon, J., B. Lee, and C. Han. 2002. Calibration transfer of near-infrared spectra based on compression of wavelet coefficients. Chemometrics and Intelligent Laboratory Systems 64: 1-14.

19. Zhu, B., L. Jiang, F. Jin, L. Qin, A. Vogel, and Y. Tao. 2007. Sens & Instrumen. Food Quality 1: 123-131.