مقایسه‌ی روش‌های پس‌پراکنشی لیزر و تصویربرداری دیجیتال روی تشخیص آلفا- سولانین در سیب‌زمینی

ماشین های کشاورزی

مقاله 5، دوره 10، شماره 1 - شماره پیاپی 19، 1399، صفحه 49-58   

نوع مقاله: مقاله پژوهشی لاتین

شناسه دیجیتال (DOI): 10.22067/jam.v10i1.79800

نویسندگان

سعیده بابازاده؛ پرویز احمدی مقدم^* ؛ آرش ثباتیان؛ فاروق شریفیان

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

چکیده

هدف اصلی این تحقیق، بررسی توانایی‌های دو روش غیر مخرّب، تصویربرداری دیجیتال (DI) و تصویربرداری پس‌پراکنشی نور لیزر (LLBI)، روی تشخیص سم آلفا- سولانین در سیب‌زمینی است. نمونه‌های سیب‌زمینی در گروه‌های سالم و سمّی براساس مقدار آلفا- سولانین موجود دسته‌بندی شدند. کروماتوگرافی مایع با عملکرد بالا (HPLC) برای تعیین مقدار آلفا- سولانین موجود در غده‌های سیب‌زمینیی استفاده گردید. نتایج طبقه‌بندی نشان داد که شبکه عصبی پرسپترون تک لایه می‌تواند سیب‌زمینی‌ها را با دقّت 28/94% و 66/98% به ‌ترتیب توسط سیستم‌های تصویربرداری دیجیتال و پس پراکنشی لیزر (رقم دونالد) طبقه‌بندی نماید. می‌توان گفت که سیستم‌های پس‌پراکنشی لیزر ممکن است از سیستم‌های تصویربرداری دیجیتال به دلیل دقّت و سرعت بالای آن و همچنین قابلیت صنعتی شدن آن سبقت گیرد.

کلیدواژه‌ها

بررسی کیفیت؛ تصویربرداری پس‌پراکنشی؛ تصویربرداری دیجیتال؛ کروماتوگرافی مایع؛ گلیکوآلکالوئیدها

مراجع

1. Espinoza, M. A., G. Istamboulie, A. Chira, T. Noguer, M. Stoytcheva, and J. L. Marty. 2014. Detection of glycoalkaloids using disposable biosensors based on genetically modified enzymes. Analytical Biochemistry. Article in press. DOI: 10.1016/j.ab.2014.04.005.

2. FAOSTAT. 2008. International year of the potato. New light on a hidden treasure. An end-of-year review. Rome.

3. FAO/WHO. 2003. Joint FAO/WHO expert committee on food additives. Sixty-first meeting. Summary and conclusions. 52: 22. Retrieved from ftp://ftp.fao.org/es/esn/jecfa/jecfa61sc.pdf.

4. Ji, X., L. Rivers, Z. Zielinski, M. Xu, E. MacDougall, J. Stephen, and J. Zhang. 2012. Quantitative analysis of phenolic components and glycoalkaloids from 20 potato clones and in vitro evaluation of antioxidant, cholesterol uptake, and neuroprotective activities. Food Chemistry 133 (4): 1177-1187.

5. Kaveh, M., Y. Abbaspour-Gilandeh, R. Amiri Chayjan, and R. Mohammadigol. 2019. Comparison of mathematical modeling, artificial neural networks and fuzzy logic for predicting the moisture ratio of garlic and shallot in a fluidized bed dryer. Journal of Agricultural Machinery 9 (1): 99-112. (In Farsi).

6. E. Rytel. 2012. Changes in the Levels of Glycoalkaloids and Nitrates after the Dehydration of Cooked Potatoes. American Journal of Potato Research 89 (6): 501-507.

7. Tavakoli, M., and M. Najafzadeh. 2015. Application of the image processing techniques for separating sprouted potatoes in the sorting line. Journal of Applied Environmental and Biological Sciences 4 (11S): 223-227.

8. Wu, D., and D. W. Sun. 2013a. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review- Part I: Fundamentals. Innovative Food Science and Emerging Technologies 19: 01-14.

9. Wu, D., and D. W. Sun. 2013b. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review- Part II: Applications. Innovative Food Science and Emerging Technologies 19: 15-28.

10. Gao, Y., Q. Li, X. Rao, and Y. Ying. 2018. Precautionary analysis of sprouting potato eyes using hyperspectral imaging technology. International Journal of Agricultural and Biological Engineering 11 (2): 153-157.

11. Ebrahimi, E., K. Mollazade, and A. Arefi. 2011. Detection of greening in potatoes using image processing techniques. Journal of American Science 7 (3): 243-247.

12. Udomkun, P., M. Nagle, B. Mahayothee, and J. Müller. 2014. Laser-based imaging system for non-invasive monitoring of quality changes of papaya during drying. Food Control 42: 225-233.

13. Mollazade, K., M. Omid, F. A. Tab, Y. R. Kalaj, S. S. Mohtasebi, and M. Zude. 2013. Analysis of texture-based features for predicting mechanical properties of horticultural products by laser light backscattering imaging. Computers and Electronics in Agriculture 98: 34-45.

14. Geng, J., L. Xiao, X. He, and X. Rao. 2019. Discrimination of clods and stones from potatoes using laser backscattering imaging technique. Computers and Electronics in Agriculture 160: 108-116.

15. Maestresalas, A. L., J. C. Keresztes, M. Goodarzi, S. Arazuri, C. Jaren, and W. Saeys. 2016. Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging. Food Control. Article in press. DOI: 10.1016/j.foodcont.2016.06.001.

16. Ji, Y., L. Sun, Y. Li, J. Li, S. Liu, X. Xie, and X. Yuantong. 2019. Non-destructive classification of defective potatoes based on hyperspectral imaging and support vector machine. Infrared Physics and Technology. Article in press. DOI: 10.1016/j.infrared.2019.04.007.

17. Ye, D., L. Sun, W. Tan, W. Che, and M. Yang. 2018. Detecting and classifying minor bruised potato based on hyperspectral imaging. Chemometrics and Intelligent Laboratory Systems. Article in press. DOI: 10.1016/j.chemolab.2018.04.002.