تعیین تاریخ انقضاء روغن‌های خوراکی مبنی بر تغییر رنگ طی فرآیند اکسایش: کاربرد تحلیل تصویر رقمی و آنالیز افتراقی خطی طی اکسایش اولیه و ثانویه

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 6، دوره 15، شماره 6 - شماره پیاپی 60، بهمن و اسفند 1398، صفحه 145-158   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v1396i0.70907

نویسندگان

الگا عظیمی¹؛ محبت محبی¹؛ رضا فرهوش^{* 1}؛ مهدی سعادتمند طرزجان²

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

²گروه برق، دانشکده مهندسی، دانشگاه فردوسی مشهد.

چکیده

تشخیص وضعیت انقضا (سالم و تند شده) روغن‌های گیاهی خوراکی به‌خاطر محصولات اولیه و ثانویه اکسیداسیون حائز اهمیت است. بنابراین بررسی کیفیت و سلامت روغن‌های خوراکی بسیار مهم است. بر اساس گزارشات و آزمایشات تجربی رنگ روغن طی اکسیداسیون تغییر می‌کند. پژوهش حاضر به شرح بررسی انجام شده توسط پردازش تصویر و تحلیل تفکیک خطی (LDA) برای طبقه‌بندی روغن‌های گیاهی خوراکی سالم و تند شده در طی اکسیداسیون در دمای 85 درجه سانتی‌گراد با توجه به اکسیداسیون اولیه و ثانویه در چهار نوع روغن (پالم اولئین، زیتون، سویا و آفتابگردان) پرداخته است. هدف از این پژوهش یافتن روش‌های ارزان و سریع‌ترو همچنین حافظ محیط‌ زیست به ‌جای آزمون‌های شیمیایی به کمک فضاهای رنگی (RGB، HSI،L*a*b* با Grayscale) برای تعیین وضعیت انقضا روغن‌های خوراکی است. این مطالعه نشان داد که بهترین نتیجه برای تشخیص وضعیت انقضا در روغن‌های معلوم با توجه به دوره القا عدد پراکسید در هر فضای رنگی توسط طبقه‌بند LDA برای پالم 100% (HSI و سیاه وسفید)، زیتون 61/84% (L*a*b* و RGB)، سویا 95% (سیاه و سفید) و آفتابگردان 100% ( RGB و HSI) می‌باشد. همچنین با توجه به دوره القا آزمون عدد کربونیل بهترین عملکرد طبقه‌بند در پالم 100% (L*a*b*)، زیتون 100% (L*a*b*)، سویا 47/89% و آفتابگردان 95% (HSI) بدست آمد.

کلیدواژه‌ها

روغن های گیاهی خوراکی؛ اکسایش؛ عددپراکسید؛ عدد کربونیل؛ تجزیه‌وتحلیل تفکیک خطی؛ تصویربرداری

مراجع

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

S. Gomez-Alonso, V. Mancebo-Campos, M. Desamparados Salvador, G. Fregapane, Oxidation kinetics in olive oil triacylglycerols under accelerated shelf-life testing (25–75 °C). EUR J LIPID SCI TECH. 106, 369–375 (2004)

M. Yin, S. Tang, M. Tong, Identification of edible oils using terahertz spectroscopy combined with genetic algorithm and partial least squares discriminant analysis. Anal. Methods. 8, 2794-2798 (2016)

A.H.El-Hamdy, N.K. El-Fizga,Detection of olive oil adulteration by measuring its authenticity factor using reversed-phase high-performance liquid chromatography. J. Chromatogr. A. 708, 351–355 (1995)

E. Guzm´an, V. Baeten, J.A.F. Pierna, Garcia-Mesa J.A. Evaluation of the overall quality of olive oil using fluorescence spectroscopy. Food Chem. 173, 927–934 (2015)

N. Vlachos, Y. Skopelitis, M. Psaroudaki, V. Konstantinidou, A. Chatzilazarou, E. Tegou, Applications of Fourier transform-infrared spectroscopy to edible oils. Anal. Chim. Acta. 2573–574, 459–465 (2006)

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

8.D.S. Lee,B.S. Noh, S.Y. Bae, K. Kim, Characterization of fatty acids composition in vegetable oils by gas chromatography and chemometrics. Anal. Chim. Acta. 358, 163–175 (1998)

R. Farhoosh, S. Pazhouhanmehr, Relative contribution of compositional parameters to the primary and secondary oxidation of canola oil. Food Chem. 114 (3), 1002-1006 (2009)

B. Reindl, H.J. Stan, Determination of volatile aldehydes in meat as 2, 4-dinitrophenylhydrazones using reversed-phase high-performance liquid chromatography. J. Agric. Food Chem. 30, 849–854 (1982)

F. Farhoosh, J. Tavakoli, M.M.H. Khodaparast, Chemical Composition and Oxidative Stability of Kernel Oils from Two Current Subspecies of Pistacia atlantica in Iran. J Am Oil Chem Soc. 85(8), 723–729 (2008)

R. Farhoosh, M.M.H.Khodaparast, A. Sharif, S.A.Rafiee, Olive oil oxidation: Rejection points in terms of polar, conjugated diene, and carbonyl values. Food Chem. 131 (4), 1385 – 1390 (2012)

K.D.T.M. Milanez, M.J.C. Pontes, Classification of extra virgin olive oil and verification of adulteration using digital images and discriminant analysis. Anal. Methods.7, 8839-8846 (2015)

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

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

V. Briones, J.M. Aguilera, Image analysis of changes in surface colour of chocolate. Food Res. Int. 38, 87–94 (2015)

C.J. Du, D.W. Sun, Pizza sauce spread classification using colour vision and support vector machines. J Food Eng. 66,137–145 (2004)

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

M. Mohebbi, M.R Akbarzadeh-T, F. Shahidi, M. Moussavi, H.B. Ghoddusi,Computer vision systems (CVS) for moisture content estimation in dehydrated shrimp. Comput Electron Agric. 69 (2), 128-134 (2009)

H.K. Mebatsion, J. Paliwal, D.S. Jayas, Automatic classification of non-touching cereal grains in digital images using limited morphological and color features. Comput Electron Agric. 90, 99–105 (2013)

M. Fathi, M. Mohebbi, S.M.A. Razavi, Application of Image Analysis and Artificial Neural Network to Predict Mass Transfer Kinetics and Color Changes of Osmotically Dehydrated Kiwifruit. FOOD BIOPROCESS TECH. 4, 1357–1366 (2011)

W.T.S, Vilar, R.M. Aranha, E.P. Medeiros, M.J.C. Pontes, Classification of Individual Castor Seeds Using Digital Imaging and Multivariate Analysis. J. Braz. Chem. Soc. 26, 102–109 (2015)

J.K. Fernandes, T. Umebara, M.K. Lenzia, E.T.S. Alves, Image analysis for composition monitoring. Commercial blends of olive and soybean oil. ACTA SCI-TECHNOL.35, 317–324 (2013)

P.C. Marchal, D.M. Gila, J.G. Garcia, J.G. Ortega, Expert system based on computer vision to estimate the content of impurities in olive oil samples. J Food Eng.119(2), 220-228 (2013)

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

F. Mendoza, J.M. Aguilera, Application of image analysis for classification of ripening bananas. J. Food Sci. 69, 471–477 (2004)

K. Leon, D. Mery, F. Pedreschi, J. Leon, Color measurement in L*a*b* units from RGB digital images. Food Res Int. 39(10), 1084-1091 (2006)

S.E. Papadakis, S. Abdul-Malek, R.E. Kamdem, K.L. Yam, A versatile and inexpensive technique for measuring color of foods. Food Technol. 54(12), 48–51 (2000)

S. Segnini, P. Dejmek, R. O¨ste, A low cost video technique for colour measurement of potato chips. LWT - Food Sci and Technol. 32(4), 216–222 (1999)

N.C. Shantha, E.A. Decker, Rapid, sensitive, iron-based spectrophotometric methods for determination of peroxide values of food lipids. J. AOAC Int.77, 421–424 (1994)

Y. Endo,C.M. Li, M. Tagiri-Endo,K. Fugimoto, A modified method for the estimation of total carbonyl compounds in heated and frying oils using 2- propanol as a solvent. J Am Oil Chem Soc. 10, 1021–1024 (2001)

R.A. Fisher, The use of multiple measurements in taxonomic problem. Ann. Eugen. 7, 179–188 (1936)