| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,088 |
| تعداد مقالات | 34,486 |
| تعداد مشاهده مقاله | 49,269,029 |
| تعداد دریافت فایل اصل مقاله | 79,737,027 |
کیفیتسنجی غیر مخرب انگور رقم عسگری بر پایه طیفسنجی فروسرخ نزدیک | ||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | ||
| مقاله 3، دوره 19، شماره 70، شهریور 1397، صفحه 13-24 اصل مقاله (1.4 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2017.105874.1080 | ||
| نویسندگان | ||
| فرزاد آزادشهرکی* 1؛ سیامک کلانتری2؛ بهاره جمشیدی1 | ||
| 1استادیار موسسه تحقیقات فنی و مهندسی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
| 2دانشیار گروه باغبانی دانشگاه تهران | ||
| چکیده | ||
| برای اندازهگیری ویژگیهای کیفی میوهها و سبزیها از روشهای مخرب و غیر مخرب متعددی استفاده میشود. روشهای مخرب عمدتاً هزینهبر و وقتگیر هستند. در این پژوهش، برخی ویژگیهای کیفی میوۀ انگور رقم عسگری شامل مواد جامد حلشدنی (SSC)، اسید قابل تیترکردن (TA)، pH، و فنل کل (TP) با طیفسنجی فروسرخ نزدیک (NIRS) اندازهگیری شدند. بدین منظور از 110 نمونه در دامنۀ طیفی 1700-900 نانومتر طیفسنجی شد و بلافاصله از روشهای شیمیایی برای اندازهگیری ویژگیهای کیفی انگور رقم عسگری استفاده گردید و پس از آن مدلهای کالیبراسیون برای ارتباط بین دادههای طیفی و دادههای حاصل از روشهای شیمیایی تدوین شدند. بهترین مدلهای رگرسیون حداقل مربعات جزیی (PLS) دارای ریشۀ میانگین مربعات خطای پیشبینی (RMSEP) 580/0 درجه بریکس، 020/0 درصد، 125/0 و 441/23 میلیگرم بر لیتر و ضریب همبستگی (rp) 927/0، 806/0، 898/0 و 866/0 بهترتیب برای SSC، TA، pH و TP بودند. مقایسۀ میانگینهای پیشبینی شده با بهترین مدلهای برازش و اندازهگیری شده با روشهای مرجع برای هر صفت نشان میدهد که بین مقادیر اندازهگیری شده و پیشبینی شده با بهترین مدل در سطح احتمال 5 درصد اختلاف معنیدار وجود ندارد. نتایج این پژوهش همچنین نشان میدهد که NIRS میتواند روشی سریع برای اندازهگیری برخی ویژگیهای کیفی درونی انگور رقم عسگری، حتی ویژگیهایی باشد که اندازهگیری آنها دشوار است. | ||
| کلیدواژهها | ||
| انگور؛ طیف سنجی فروسرخ نزدیک؛ غیرمخرب؛ کیفیت | ||
| عنوان مقاله [English] | ||
| Nondestructive Quality Assessment of Grape (Cv. Asgari) Based on NIR Spectroscopy | ||
| نویسندگان [English] | ||
| Farzad Azadshahraki1؛ Siamak Kalantari2؛ Bahareh Jamshidi1 | ||
| 1Assistant Professor, Agricultural Engineering Research Institute, AREEO, Tehran, Iran. | ||
| چکیده [English] | ||
| Several destructive and non-destructive methods are employed to measure the fruits and vegetables quality. Destructive methods are principally expensive and time-consuming. In the current study, some quality attributes of Vitis vinifera CV. Asgari such as soluble solids content (SSC), titratable acidity (TA), pH and total phenolics (TP) measured by near-infrared spectroscopy (NIRS). For this purpose spectroscopy was performed for 110 grape samples in the range of 900-1700 nm chemicals measures were carried out for the quality attributes of samples, and calibrated models were used to establish the correlation between the spectral data and chemical measurements. Results indicated that the best Partial least square (PLS) models had root mean square error of prediction (RMSEP) equivalent to 0.580, brix of 0.02%, 0.125 and 23.441 and correlation coefficients (rp) of 0.927, 0.806, 0.898 and 0.866 for SSC, TA, pH and TP respectively. Comparison between the mean values predicted by the best models and the mean values measured by the reference method for each attribute showed a non-significant difference between the values predicted by the best models and the measured values by reference method at the 5% level for all attributes. It was concluded that NIRs could be a fast and accurate method for non-destructive prediction of some internal quality of Asgari grape< and other attributes which are difficult to measure. | ||
| کلیدواژهها [English] | ||
| grape, Near-infrared spectroscopy, Non-destructive, quality | ||
| مراجع | ||
|
Arana, I., Jaren, C. and Arazuri, S. 2005. Maturity, variety and origin determination in white grapes (Vitis Vinifera L.) using near infrared reflectance technology. J. Near Infrared Spec. 13(1): 349-357.
Bobelyn, E., Serban, A. S., Nicu, M., Lammertyn, J., Nicoli, B. M. and Saeys, W. 2010. Postharvest quality predicted by NIR-spectroscopy: Study of the effect of biological variability on spectra and model performance. Postharvest Biol. Tec. 55, 133-143.
Cao, F., Wu, D. and He, Y. 2010. Soluble solids content and pH prediction and varieties discrimination of grapes based on visible – near infrared spectroscopy. Comput. Electr. Agr. 71, 15-18.
Cen, H. and He, Y. 2007. Theory and application of near inferared reflectance spectroscopy in determination of food quality. Trends Food Sci. Tech. 18, 72-83.
Chen, P. and Nattuvetty, V. R. 1980. Light transmittance through a region of an intact fruit. Trans. Am. Soc. Agr. Eng. 23(2): 519–522.
Coombe, B. G. 1992. Research on development and ripening of the grape berry. Am. J. Enol. Viticult.
Ebadi, A. and Hadadninejad, M. 2014. Physiology, Breeding and Production of Grapevine. University of Tehran Press. (in Persian)
Fadock, M. 2011. Non-destructive vis-NIR reflectance spectrometry for red wine grape analysis. M. Sc. Thesis. Faculty of Graduate Studies. University of Guelph. Ontario, Canada.
Fu, X., Ying, Y., Lu, H., Xu, H. and Yu, H. 2007. FT-NIR diffuse reflectance spectroscopy for kiwifruit firmness detections. Sens. Instrum. Food Qual. Saf. 1, 29-35.
Herrera, J., Guesalaga, A. and Agosin, E. 2003. Shortwave–near infrared spectroscopy for non-destructive determination of maturity of wine grapes. Meas. Sci. Technol. 14, 689-697.
Giovenzana, V., Beghi, R., Mena, A., Civelli, R., Guidetti, R., Best, S. and Leon G, L. F. 2013. Quick quality evaluation of Chilean grape by a portable vis/NIR device. Acta Hortic. 978, 93-100.
Golic, M. and Walsh, K. B. 2006. Robustness of calibration models based on near infrared spectroscopy to the in-line grading of stone fruit for total soluble solids. Anal. Chim. Acta. 555, 286-291.
Guidetti, R., Beghi, R. and Bodria, L. 2010. Evaluation of grape quality parameters by a simple VIS/NIR system. Trans. Am. Soc. Agr. Bio. Eng. 53(2): 477-484.
Jaiswal, P., Jha, S. N. and Bharadwaj, R. 2012. Non-destructive prediction of quality of intact banana using spectroscopy. Sci. Hortic. 135, 14-22.
Jamshidi, B., Minaei, S., Mohajerani, E. and Ghassemian, H. 2012. Reflectance Vis/NIR spectroscopy for nondestructive taste characterization of Valencia oranges. Comput. Electr. Agr. 85, 64-69.
Larraín, M., Guesalaga, A. R. and Agosín, E. 2008. A multipurpose portable instrument for determining ripeness in wine grapes using nir spectroscopy. Trans. Instrum. Meas. 57(2): 294-302.
Mitcham, B., Cantwell, M. and Kader, A. 1996. Methods for determining quality of fresh commodities. Perishable Handling Newsletter. 85, 1-5.
Moghimi, A., Aghkhani, M. H., Sazgarnia, A. and Sarmad, M. 2010. Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity (pH) of kiwifruit. Biosyst. Eng. 106, 295-302.
Nicolai, B. M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K. I., Karen, I. T. and Lammertyn, J. 2007. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest Biol. Tec. 46, 99-118.
Nicolai, B. M., Defraeye, T., Ketelaere, B. D., Herremans, E., Hertog, M. L., Saeys, W., Torricelli, A., Vandendriessche, T. and Verboven, P. 2014. Nondestructive measurement of fruit and vegetable quality.Food Sci. Tech. 5, 285- 312.
Rahemi, M. 2010. Postharvest: An Introduction to the Physiology and Handling of Fruit, Vegetables and ornamentals. Shiraz University Press. (in Persian)
Raja, H. N., Dara, N. E., Hobaika, Z., Boussetta, N., Vorobiev, E., Maroun, R. G. and Louka, N. 2014. Extraction of total phenolic compounds, flavonoids, anthocyanins and tannins from grape byproducts by response surface methodology. Influence of solid-liquid ratio, particle size, time, temperature and solvent mixtures on the optimization process. J. Food Nutr. Sci. 5, 397- 409.
Sanchez, M. T., Joze Del La Haba, M., Benitez-Lopez, M., Fernandez-Novales, J., Garrido-Varo, A. and Perez-Marin, D. 2011. Non-destructive characterization and quality control of intact strawberries based on NIR spectral data. J. Food. Eng. 110, 102-108.
Shao, Y., He, Y., Gomez, A. H., Pereir, A. G., Qiu, Z. and Zhang, Y. 2007. Visible/near infrared spectrometric technique for nondestructive assessment of tomato ‘Heatwave’ (Lycopersicum esculentum) quality characteristics. J. Food. Eng. 81, 672-678.
Tafazoli, A., Hekmati, J. and Firozeh, P. 1993. Grape. Shiraz University Pub. (in Persian)
Teye, E., Huang, X. and Afoakwa, N. 2013. Review on the potential use of near infrared spectroscopy (NIRS) for the measurement of chemical residues in food. Am. J. Food Sci. Technol. 1(1): 1-8.
Viscarra-Rossel, R. A. 2008. ParLeS: Software for chemometric analysis of spectroscopic data. Chemom. Intell. Lab. 90, 72-83.
Wold, S., Sjostrom, M. and Erikson, L. 2007. PLS-regression: a basic tool of chemometrics. Chemom. Intell. Lab. 58, 109-130.28. | ||
|
آمار تعداد مشاهده مقاله: 1,040 تعداد دریافت فایل اصل مقاله: 475 |
||