تشخیص تقلب در نمونه عسل "کنار" با استفاده از یک سامانه ماشین بویایی

ماشین های کشاورزی

مقاله 10، دوره 7، شماره 2 - شماره پیاپی 14، 1396، صفحه 439-450   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v7i2.52910

نویسندگان

محمد حاجی نژاد¹؛ سید سعید محتسبی^{* 1}؛ مهدی قاسمی ورنامخواستی²؛ مرتضی آغباشلو¹

¹دانشکده مهندسی و فناوری، دانشگاه تهران، تهران، ایران

²گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

چکیده

عسل یک محلول ویسکوز و همچنین قند فوق اشباع گرفته ‌شده از شهد گل‌ها است که به‌وسیله زنبورعسل جمع‌آوری و اصلاح می‌شود. رایحه یکی از پارامترهای مهم در طبقه‌بندی عسل‌ است و بوی ساطع‌شده از آن بسته به گل‌های مختلف و ترکیبات تشکیل‌دهنده‌ آن می‌تواند متفاوت باشد. همین عوامل سبب استفاده از یک سامانه ماشین بویایی بر پایه حسگرهای نیمه‌هادی اکسید فلزی به‌منظور تشخیص تقلب در عسل شد. این سامانه، به هیچ‌گونه تجهیزات تخصصی و پر‌هزینه آزمایشگاهی نیاز نداشت. نمونه های عسل "کنار" با درصدهای مختلف تقلب (صفر، 20، 35 و 50 درصد) مورد آزمایش قرار گرفتند. از روش کسری برای بهبود و بهینه‌سازی سیگنال‌های خروجی بینی الکترونیک، قبل از ورود به روش‌های آنالیز تشخیص، استفاده شد. تحلیل مؤلفه اصلی (PCA)، تحلیل تفکیک خطی (LDA) و شبکه عصبی مصنوعی (ANN) روش‌هایی بودند که به‌منظور طبقه‌بندی و تحلیل ویژگی‌های استخراجی از سیگنال‌های ماشین بویایی استفاده شدند. برای تشخیص تقلب با استفاده از ماشین بویایی، نتایج شامل 91% واریانس به روش PCA، 100% و 100% دقت طبقه‌بندی به‌ترتیب برای روش‌های LDA و ANN بود. نتایج نشان داد سامانه ماشین‌بویایی ارائه شده یک وسیله مطمئن و قابل‌اتکا در تشخیص و ثبت تغییرات بین سطوح مختلف تقلب در عسل است.

کلیدواژه‌ها

تحلیل مؤلفه اصلی؛ شکر؛ عسل تقلبی؛ ماشین بویایی

مراجع

1. Anklam, E. 1998. A review of the analytical methods to determine the geographical and botanical origin of honey. Food chemistry 63: 549-562.

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

3. Bhattacharyya, N. R. Bandhopadhyay. Electronic nose and electronic tongue. Pages 73-100. Nondestructive Evaluation of Food Quality, Springer.

4. Bogdanov, S. P. Martin. 2002. Honey authenticity: a review. Mitt. Lebensm. Hyg 93: 232-254.

5. Cotte, J. F. O., H. Casabianca, S. Chardon, J. Lheritier, and M. F. Grenier-Loustalot. 2003. Application of carbohydrate analysis to verify honey authenticity. Journal of Chromatography 1021: 145-155.

6. Cotte, J. F. O., H. Casabianca, B. Giroud, M. Albert, J. Lheritier, and M. F. Grenier-Loustalot. 2004. Characterization of honey amino acid profiles using high-pressure liquid chromatography to control authenticity. Analytical and bioanalytical chemistry 378: 1342-1350.

7. de Rodriguez, G. O., B. S. de Ferrer, A. Ferrer, and B. Rodriguez. 2004. Characterization of honey produced in Venezuela. Food Chemistry 84: 499-502.

8. Fisher, R. A. 1936. The use of multiple measurements in taxonomic problems. Annals of human genetics 7: 179-188.

9. Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. L. Rodriguez-Mendez, J. Lozano, S. H. Razavi, and H. Ahmadi. Potential application of electronic nose technology in brewery. Trends in Food Science & Technology 22: 165-174.

10. Hai, Z. J. Wang. 2006. Electronic nose and data analysis for detection of maize oil adulteration in sesame oil. Sensors and Actuators B: Chemical 119: 449-455.

11. Haykin, S. 1999. Multilayer perceptrons. Neural Networks: A Comprehensive Foundation 2: 156-255.

12. Heidarbeigi, K., S. S. Mohtasebi, A. Foroughirad, M. Ghasemi-Varnamkhasti, Sh. Rafiee, and K. Rezaei. Detection of adulteration in saffron samples using electronic nose. International Journal of Food Properties 18: 1391-1401.

13. Lammertyn, J., E. A. Veraverbeke, and J. Irudayaraj. 2004. zNose™ technology for the classification of honey based on rapid aroma profiling. Sensors and actuators B: Chemical 98: 54-62.

14. Li, C., P. Heinemann, and 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.

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

16. Mateo, R. F. Bosch-Reig. 1998. Classification of Spanish unifloral honeys by discriminant analysis of electrical conductivity, color, water content, sugars, and pH. Journal of Agricultural and Food Chemistry 46: 393-400.

17. Mildner‐Szkudlarz, S., and H. H. Jeleń. 2010. Detection of olive oil adulteration with rapeseed and sunflower oils using mos electronic nose and SMPE‐MS. Journal of food quality 33: 21-41.

18. Nagle, H. T., R. Gutierrez-Osuna, and S. S. Schiffman. 1998. The how and why of electronic noses. IEEE spectrum 35: 22-31.

19. Pearce, T. C., J. W. Gardner, S. Friel, P. N. Bartlett, and N. Blair. 1993. Electronic nose for monitoring the flavour of beers. Analyst 118: 371-377.

20. Radovic, B. S., M. Careri, A. Mangia, M. Musci, M. Gerboles, and E. Anklam. 2001. Contribution of dynamic headspace GC-MS analysis of aroma compounds to authenticity testing of honey. Food Chemistry 72: 511-520.

21. Roussel, S., V. Bellon-Maurel, J. M. Roger, and P. Grenier. 2003. Authenticating white grape must variety with classification models based on aroma sensors, FT-IR and UV spectrometry. Journal of Food Engineering 60: 407-419.

22. Son, H. J., J. H. Kang, E. J. Hong, C. L. Lim, J. Y. Choi, and B. S. Noh. 2009. Authentication of sesame oil with addition of perilla oil using electronic nose based on mass spectrometry. Korean Journal of Food Science and Technology 41: 609-614.

23. Subari, N., J. Mohamad Saleh, A. Y. Md Shakaff, and A. Zakaria. A hybrid sensing approach for pure and adulterated honey classification. Sensors 12: 14022-14040.

24. Tomas-Barberan, F. A., I. Martos, F. Ferreres, B. S. Radovic, and E. Anklam. 2001. HPLC flavonoid profiles as markers for the botanical origin of European unifloral honeys. Journal of the Science of Food and Agriculture 81: 485-496.

25. Tudu, B., B. Kow, N. Bhattacharyya, and R. Bandyopadhyay. 2008. Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea. Pages 254-258. Sensing Technology, 2008. ICST 2008. 3rd International Conference on: IEEE.

26. Zakaria, A., A. Y. M. Shakaff, M. J. Masnan, M. N. Ahmad, A. H. Adom, M. N. Jaafar, S. A. Ghani, A. H. Abdullah, A. H. A. Aziz, and L. M. Kamarudin. A biomimetic sensor for the classification of honeys of different floral origin and the detection of adulteration. Sensors 11: 7799-7822.