پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 11، دوره 16، شماره 4 - شماره پیاپی 64، مهر و آبان 1399، صفحه 479-491   

نوع مقاله: مقاله پژوهشی فارسی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v16i4.76455

نویسندگان

فائزه جمالیزاده¹؛ مهدی قاسمی ورنامخواستی^{* 1}؛ مهدی قاسمی نافچی²؛ مجتبی توحیدی¹؛ مجید دولتی³

¹گروه بیوسیستم، دانشکده کشاورزی دانشگاه شهرکرد.

²گروه مهندسی علوم باغبانی، دانشکده کشاورزی، دانشگاه شهرکرد.

³گروه بیوسیستم، دانشکده فنی و منابع طبیعی تویسرکان، دانشگاه بوعلی سینا همدان.

چکیده

ادویه‌جات از باارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی ازجمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در این پژوهش، یک سامانه ماشین بویایی بر پایه هشت حسگر نیمه‌هادی اکسید فلزی در ترکیب با روش‌های تشخیص الگو به‌منظور طبقه‌بندی و جداسازی ادویه فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب‌های کبابه چینی و پودر هسته خرما به‌کارگرفته شد. به‌منظور تحلیل داده‌های استخراج‌شده از سیگنال پاسخ حسگرها از روش تحلیل مؤلفه‌های اصلی (PCA) استفاده شد. براساس نتایج حاصل، آنالیز مؤلفه‌های اصلی با مجموع دو مؤلفه اصلی اول %96 برای نمونه‌های فلفل سیاه براساس منشاء جغرافیایی و 95% برای تقلب‌های کبابه چینی و هسته خرما از واریانس داده‌ها قابل‌توصیف است. همچنین از سه روش تحلیل تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و درخت تصمیم‌گیری (DT) برای طبقه‌بندی نمونه‌ها استفاده شد. استفاده از روش LDA، برای نمونه‌های فلفل سیاه دقت طبقه‌بندی 100% و برای تقلب‌­ها دقت 14/97% را نشان داد. نتایج نشان داد که SVM با تابع گاوسی بالاترین دقت را در طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما را دارد. همچنین میزان موفقیت روش DT در تفکیک و طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما به‌ترتیب 66/96% و 5/88% برآورد شد.

کلیدواژه‌ها

ماشین بویایی؛ فلفل سیاه؛ کبابه چینی؛ هسته خرما

مراجع

امیدبیگی، ر.، 1384، تولید و فرآوری گیاهان دارویی، انتشارات آستان قدس رضوی.

 

توحیدی، م.؛ قاسمی ورنامخواستی، م.؛ غفاری نیا، و.؛ محتسبی، س.س. و بنیادیان، م.، 1395، ساخت و توسعه یک سامانه ماشین بویایی در ترکیب با روش‌های شناسایی الگو برای تشخیص تقلب فرمالین در شیر خام، مهندسی بیوسیستم ایران، دوره 47 ، شماره 4، ص 1-10.

 

حاجی نژاد، م.، محتسبی، س. س.، قاسمی ورنامخواستی، م. و آغباشلو، م.، 1396، تشخیص تقلب در نمونه عسل کنار با استفاده از یک سامانه ماشین بویایی، ماشین‌های کشاورزی، جلد 7، شماره 2، ص 450-439.

 

سیدی، ع. و عابدینی، م.، 1390، شیمی عمومی با نگرش کاربردی جلد 2، ویرایش اول، چاپ هفتم.

 

طلوعی اشلقی، ع.؛ پورابراهیمی، ع.؛ ابراهیمی، م. و قاسم احمد، ل.، 1391، پیش‌بینی عود مجدد سرطان پستان به کمک سه تکنیک داده کاوی، بیماری‌های پستان ایران، سال 5، شمارع 4، ص 23-34.

 

قاسمی ورنامخواستی، م.، 2011، طراحی و توسعه و پیاده‌سازی یک سیستم زبان الکترونیک بر پایه حسگرهای نیمه‌هادی اکسید فلزی (MOS) در ترکیب با روش‌های تجزیه و تحلیل تشخیص الگو برای بررسی تشخیص کیفیت و تغییرات آبجو، پایان‌نامه دکتری، دانشگاه تهران.

 

کیانی، س. و مینایی، س.، 1394، امکان سنجی استفاده از سامانه‌های هوشمند بر پایه ماشین بویایی و ماشین بینایی به منظور بررسی کیفیت و تعیین مواد موثر فرآورده‌های گیاهان داروئی (مطالعه موردی زعفران)، همایش ملی گیاهان دارویی و داروهای گیاهی.

 

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

 

Baldwin, E.A., Bai, J., Plotto, A. & Dea, S., 2011, Electronic Noses and Tongues: Applications for the Food and Pharmaceutical Industries, Sensors, 11(5), 4744-4766.

 

Banach, U., Tiebe, C. & Hubert, T, 2012, Multigas Sensors for the Quality Control of Spice Mixtures, Food Control, 26, 23-27.

 

Banerjee, D., Chowdhary, S., Chakraborty, S. & Bhattacharyya, R., 2017, Recent Advances in Detection of Food Adulteration. Academic Press, 145-160.

 

Bhattacharyya, N., Bandyopadhyay, R., Bhuyan, M., Tudu, B., Ghosh, D. & Jana, A., 2008, Electronic nose for black tea classification and correlation of measurements with “Tea Taster” marks, IEEE transactions on instrumentation and measurement, 57(7), 1313-1321.

 

Carmona, M., Martinez, J., Zalacain, A., Rodriguez-Mendez, M. L., de Saja, J. A. & Alonso, G. L., 2006, Analysis of saffron volatile fraction by TD-GC–MS and e-nose, European Food Research and Technology, 223, 96

 

Gliszczyńska-Świgło, A. & Chmielewski, J., 2017, Electronic nose as a tool for monitoring the authenticity of food, Food Analytical Methods, 10(6), 1800-1816.

 

Heidarbeigi, K., Mohtasebi, S.S., Foroughirad, A., Ghasemi-Varnamkhasti, M., Rafiee, S. & Rezaei, K, 2015, Detection of adulteration in saffron samples using electronic nose, International Journal of Food Properties, 18(7), 1391-1401.

 

Kiani, S., Minaei, S. & Ghasemi-Varnamkhasti., M., 2016a, Application of Electronic Nose Systems for Assessing Quality of Medicinal and Aromatic Plant Products: A review, Journal of Applied Research on Medicinal and Aromatic Plants, 3(1), 1-9.

 

Kiani, S., Minaei, S. & Ghasemi-Varnamkhasti, M., 2016b, Portable Electronic Nose as an Expert System for Aroma-based Classification of Saffron, Chemometrics and Intelligent Laboratory Systems, 156, 148-156.

 

Li, C.P., Heinemann, 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.

 

Li, Ch., Xu, F., Cao, Ch., Shang, M.Y., Zhang, C.Y., Yu, J., Liu, G.X., Wang, X. & Cai, SH.C., 2013, Comparative analysis of two species of Asari Radix et Rhizoma by electronic nose, headspace GC–MS and chemometrics, Journal of Pharmaceutical and Biomedical Analysis, 85, 231-238.

 

Liu, H., Zeng, F.K., Wang, Q.H. & Wu, H. S., 2013, Studies on the chemical and flavor qualities of white pepper (Piper nigrum L.) derived from five new genotypes, European Food Research and Technology, 237(2), 245-251.

 

Lozano, J., Santos, J.P. & Horrillo, M.C., 2005, Classification of white wine aromas with an electronic nose, Talanta., 67, 610–616.

 

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

 

Patil, T.R. & Sherekar, S.S., 2013, Performance analysis of Naive Bayes and J48 classification algorithm for data classification, International Journal of Computer Science and Applications, 6(2), 256-261.

 

Pearce T.C., Gardner J.W., Friel S., Barlett P.N. & Blair., N., 2003, Electronic nose for monitoring the flavor of beers, Analyst, 118, 371–377.

 

Peter, K.V., (Ed.), 2012, Handbook of herbs and spices, Elsevier.

 

Sanaeifar, A., Mohtasebi, S.S., Ghasemi-Varnamkhasti, M., Ahmadi, H. & Lozano, J., 2014, Development and application of a new low cost electronic nose for the ripeness monitoring of banana using computational techniques (PCA, LDA, SIMCA, and SVM), Czech Journal of Food Sciences, 32(6), 538– 548.

 

Sanaeifar, A., Mohtasebi, S.S., Ghasemi-Varnamkhasti, M.. & Ahmadi, H., 2015b, Design, development and implementation of a metal oxide semiconductor (MOS) based machine olfaction system for monitoring of banana ripeness, .Journal of Agricultural Machinery, 5(1), 111-121.

 

Shafiqul Islam, A.K.M., Ismail, Z., Saad, B., Othman, A.R., Ahmad, M.N. & Shakaff, A.Y.Md., 2006, Correlation studies between electronic nose response and headspace volatiles of Eurycoma longifolia extracts, Sensors and Actuators B, 120, 245-251.

 

Tahri, K., Tiebe, C., El Bari, N., Hübert, T. & Bouchikhi, B., 2016, Geographical provenience differentiation and adulteration detection of cumin by means of electronic sensing systems and SPME-GC-MS in combination with different chemometric approaches, Analytical Methods, 8(42), 7638-7649.

 

Tudu, B., Kow, B., Bhattacharyya, N. & Bandyopadhyay, R., 2008, November, Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea, In Sensing Technology, 2008. ICST 2008. 3rd International Conference on (pp. 254-258). IEEE.