کاربرد تحلیل تصویر رقمی و تشخیص الگو در طبقه‌بندی روغن‌های خوراکی به کمک تغییرات رنگ در طی اکسایش اولیه و ثانویه

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 4، دوره 14، شماره 4 - شماره پیاپی 52، مهر و آبان 1397، صفحه 503-516   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v1396i0.63375

نویسندگان

الگا عظیمی¹؛ رضا فرهوش¹؛ محبت محبی^{* 1}؛ مهدی سعادتمند طرزجان²

¹گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

²گروه برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.

چکیده

روغن‌ها مواد غذایی با ارزشی هستند که علاوه بر تأمین انرژی نقش مهمی در بقای سلامت دارند. بنابراین یافتن روش‌های تشخیص سریع کیفیت روغن‌ها از اهمیت ویژه‌ای برخوردار است. بینایی کامپیوتر یکی از فناوری‌های پرکاربرد و مقرون‌به‌صرفه در صنایع غذایی می‌باشد. هدف این مقاله معرفی روشی ساده و کم‌هزینه برای طبقه‌بندی روغن‌های گیاهی خوراکی (سویا، آفتاب‌گردان، کانولا، کنجد و زیتون) از یکدیگر و همچنین تشخیص سالم یا تند بودن آن‌ها به کمک روش‌های آماری چند متغیره (تحلیل تفکیک خطی و تحلیل مؤلفه اصلی) با توجه به نقطه دوریز بر اساس محصولات اولیه و ثانویه اکسایشی است. ویژگی‌های فیزیکوشیمیایی 77 نمونه روغن شامل عدد پراکسید و عدد کربونیل در دمای 80 درجه سانتی‌گراد موردسنجش قرار گرفت. برای طبقه‌بندی از شاخص رنگی L*a*b* استفاده گردید. مقایسه نتایج تحلیل تفکیک خطی نشان داد که تفکیک‌پذیری بین دو نوع روغن مختلف ۱۰۰% است و تنها تفکیک بین یک نوع روغن در حالت‌های تند و سالم منجر به کاهش دقت در حدود ۹۷% شده است. همچنین بررسی کلی و هم‌زمان نمونه‌های روغن در هر دو حالت سالم و تندشده توسط دوطبقه بند LDA و PCA نشان داد که طبقه‌بندی هر روغن به‌تنهایی بیشترین دقت (۱۰۰%) را دارد و نتایج بررسی چندین نوع روغن متفاوت دقت کمتری (98% و 96%) را دارا می‌باشد، اما در عمل نتایج این طبقه‌بندی با توجه به گستره رنگی متنوع روغن‌های گیاهی در حد قابل‌قبول است و طبقه‌بند تحلیل تفکیک خطی در حدود 40% نسبت به طبقه‌بند تحلیل مؤلفه اصلی در این مطالعه موفق‌تر عمل کرد.

کلیدواژه‌ها

L*a*b*؛ طبقه بند تحلیل مولفه اصلی؛ طبقه بند تحلیل تفکیک خطی؛ اکسایش روغن

مراجع

Abdi, H., 2007, Discriminant correspondence analysis. In: N.J. Salkind (Ed.): Encyclopedia of Measurement and Statistic, Thousand Oaks (CA): Sage. pp. 270–275.

Antonelli A., Cocchi, M. Fava, P.Foca, G. Franchini, G. C. Manzini. D. & Ulrici., A. 2004, Automated evaluation of food colour by means of multivariate image analysis coupled to a wavelet-based classification algorithm. Analytica Chimica Acta., 515, 3–13.

Belbin, A.A., 1993, Color in oils. Inform. 4, 648–654.

Chiavaro, E. Vittadini, E. Rodriguez-Estrada, M.T. Cerretani, L. Bendini, A., 2008, Differential scanning calorimeter application to the detectionof refined hazelnut oil in extra virgin olive oil. J. Food Chem., 110, 248–256.

Dalen, G., 2004, Determination of the size distribution and percentage of broken kernels of rice using flatbed scanning and image analysis. Food Res. Int., 37, 51–58.

Diniz, P.H.G.D. Dantas, H.V. Melo, K.D.T Barbosa, M.F. Harding, D.P. Nascimento, E.C.L. Pistonesi, M.F. Band, B.S.F. Araújo, M.C.U., 2012, Using a simple digital camera and SPALDA modeling to screen teas. Anal. Methods., 4, 2648–2652.

Du, C. J. & Sun. D. W., 2005, Pizza sauce spread classification using colour vision and support vector machines. J. Food Engineering., 66, 137-145.

Endo, Y., Li, C.M., Tagiri-Endo, M., & Fugimoto, K., 2001, A modified method for the estimation of total carbonyl compounds in heated and frying oils using 2-propanol as a solvent. J. the American Oil Chemists’ Society., 10, 1021–1024.

Farhoosh, R., Hoseini, S.Z., 2013, Evolution of Oxidative Values during Kinetic Studies on Olive Oil Oxidation in the Rancimat Test. J. the American Oil Chemists' Society., 10.1007/s11746-013-2368-z.

Farhoosh, R., Niazmand, R., Rezaei, M., Sarabi, M. (2008). Kinetic parameter determination of vegetable oil oxidation under Rancimat test conditions. European J. of Lipid Science and Technology., 110, 587–592.

Fengxia, S., & Zhanming, Z.h., 2001, Determination of oil color by image analysis. J. the American Oil Chemists’ Society., 78, 749–752.

Fojlaley, M. Ahmadi Moghadam, P. Amani nia. S., 2012, Tomato Classification and Sorting with machine vision using SVM, MLP, & LVQ. Intl J Agri Crop Sci., 4, 1083-1088.

Frankel, E.N., 1998, Lipid Oxidation. The Oily Press LTD. Dundee, Scotland.

Godinho, M.S. Pereira, R.O. Ribeiro, K.O. Schimidt, F. de Oliveira, A.E. de Oliveira, S.B., 2008, Carbonated soft drink classification based on image analysis and PCA. Quim. Nova., 31, 1485–1489.

Gomez-Alonso, S. et al., 2004, Oxidation kinetics in olive oil triacylglycerols under accelerated shelf-life testing (25–75 oC). European J. Lipid Science and Technology., 106, 369–375.

Hras, A.R., Hadolin, M., Knez, Z., Bauman, D., 2000, Comparison of antioxidative and synergistic effects of rosemary extract with a-tocopherol, ascorbyl palmitateand citric acid in sunflower oil. J. Food Chem., 71, 229–233.

Kit, L.Y. & Spyridon, P.E., 2004, A digital imaging method for measuring and analyzing color of surfaces. J. Food Engineering., 61, 137–142.

Kong, F. Tan, J., 2012, DietCam: Automatic dietary assessment with mobile camera phones. Pervasive Mob. Comput., 8, 147–163.

Martinez, A. M., & Kak, A. C., 2001, PCA versus LDA. IEEE TPAMI., 23, 288- 233.

Matalgyto, F.S. & Al-Khalifa, A.S., 1998, Effect of microwave oven heating on stability of some oil and fats. Arab Gulf J. Scientific Research., 16, 21–40.

Mendoza, F. Dejmek, P. Aguilera, J.M., 2007, Color and image texture analysis in classification of commercial potato chips. Food Res. Int., 40, 1146–1154.

Mery, D. & Pedreschi., F. 2005, Segmentation of colour food images using a robust algorithm. J. Food Engineering., 66, 353-360.

Milanez K. D. T. M., Pontes, M. J. C., 2014, Classification of edible vegetable oil using digital image and pattern recognition techniques. Microchemical Journal., 113, 10–16

Mohebbi, M., Akbarzadeh-T, MR, Shahidi, F., Moussavi, M., Ghoddusi, HB., 2009,Computer vision systems (CVS) for moisture content estimation in dehydrated shrimp. Computers and Electronics in Agriculture., 69, 128-134.

Perriere, G. & Thioulouse, J., 2003, Use of Correspondence Discriminant Analysis to predict the subcellular location of bacterial proteins, Computer Methods and Programs in Biomedicine., 70, 99–105.

Shantha, N.C., & Decker E.A., 1994, Rapid, sensitive, iron-based spectrophotometric methods for determination of peroxide values of food lipids. J. the American Oil Chemists’ Society., 77, 421–424.

Tanska, M., D. Rotkiewicz, Kozirok, W. & Konopka. I., 2005, Measurement of the geometrical features and surface color of rapeseeds using digital image analysis. Food Research International., 38, 741-750.

Technical Services Department hunter Associates Laboratory Inc., 2001, Application Note, 13, 1-4.

Tôrres, A.R. Lyra, W.S. Andrade, S.I.E. Andrade, R.A.N. Silva E.C., Araújo, M.C.U. Gaião, E.N., 2011, A digital image-based method for determining of total acidity in red wines using acid–base titration without indicator. Talanta., 84, 601–606.

Vlachos, N. Skopelitis, Y. Psaroudaki, M. Konstantinidou, V. Chatzilazarou, A. Tegou, E., 2006, Applications of Fourier transform-infrared spectroscopy to edible oils. Analytica Chimica Acta., 573–574:459–465.

Zhang, B., W. Huang, JiangboLi, C. Zhao, S. Fan, J. Wu. Liu., 2014, Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review. Food Research International., 62, 326-343.

Zhang, J., Sokhansanj, S. Wu, S. Fang, R. Yang, W. & Winter. P., 1998, A transformation technique from RGB signals to the Munsell system for color analysis of tobacco leaves. Computers and Eelectronics in Agriculture., 19, 155–166.

Zhou, T., A. D. Harrison, R. McKellar, J.C. Young, Odumeru, J. & Piyasena., P. 2004, Determination of acceptability and shelf life of ready-to-use lettuce by digital image analysis. Food Research International., 37, 875–881.