- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
اخبار و اعلانات
آمار
| تعداد نشریات | 279 |
| تعداد نشریات سازمان | 78 |
| تعداد شماره‌ها | 2,250 |
| تعداد مقالات | 26,072 |
| تعداد مشاهده مقاله | 14,184,099 |
| تعداد دریافت فایل اصل مقاله | 11,346,663 |
ارزیابی الگوهای شناسایی به منظور تشخیص ناخالصی روغن کنجد توسط سامانه ماشین‌بویایی مبتنی بر تحلیل چند متغیره | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 19 دی 1400 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2022.356371.1400 | ||
| نویسندگان | ||
هادی حسینی1؛ سعید مینایی   2؛ بابک بهشتی1
| ||
| 1گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2عضو هیات علمی دانشگاه تربیت مدرس | ||
| چکیده | ||
| روغن کنجد جزء روغن‌های با ارزش غذایی بالا است که با توجه به قیمت بالای آن، انگیزه را برای تولید نمونه تقلبی افزایش داده است. بنابراین استفاده از ابزار یا روشهای غیرتماسی برای تشخیص خلوص روغن کنجد بویژه نسبت به نوع تقلبی از اهمیت زیادی برخوردار است. در این پژوهش اسید‌های چرب نمونه‌های خالص روغن کنجد، کلزا، آفتابگردان و ترکیب آنها با سطوح (5، 10، 20، 30، 40 و50 درصد) با روش گازکروماتوگرافی تعیین شد. همچنین قابلیت سامانه ماشین‌بویایی بر پایه ده حسگر نیمه‌هادی اکسید فلزی برای تشخیص و طبقه‌بندی نمونه‌ها طراحی و ارزیابی گردید. پس از استخراج ویژگیِ پاسخ حسگرها نسبت به ترکیبات فرار موادآلی روغن‌ها، داده‌های پیش‌پردازش شده با روشهای تحلیل چند‌متغیره تحلیل مولفه‌های اصلی، تحلیل تفکیک خطی، حداقل مربعات جزئی، K-نزدیک‌ترین همسایه و ماشین بردار پشتیبان به‌منظور تشخیص و طبقه‌بندی نمونه‌های ناخالص، بررسی شدند. در روش PCA، واریانس مجموعه داده‌ها %68/95 به دست آمد. حسگرهای MQ138 و TGS2602 به عنوان شاخص‌های اصلی برای طبقه‌بندی و تشخیص نمونه‌ها توسط روش PLS ارزیابی شدند. برای انتخاب الگوی مناسب با دقت بالا، طبقه‌بندی نتایج با روشهای LDA، KNN و SVM انجام گردید. نتایج ماشین بردارپشتیبان با تابع کرنل پایه‌شعاعی در روش C-SVM دارای بیشترین دقت طبقه‌بندی بود و دقت آموزش و اعتبارسنجی به ترتیب 34/96 و 56/90 درصد به دست آمد. بعد از آن مدل‌های LDA و KNN به ترتیب دارای دقت طبقه‌بندی 30/92 و 83/89 درصد بودند. بر پایه نتایج، این سامانه می‌تواند به عنوان روشی غیرمخرب برای طبقه‌بندی مناسب و تشخیص ناخالص‌های روغن کنجد به کار گرفته شود. | ||
| کلیدواژه‌ها | ||
| بو‌سنجی؛ تحلیل مولفه اصلی؛ روغن کنجد؛ شناسایی الگو؛ غیرمخرب | ||
| عنوان مقاله [English] | ||
| Evaluation of pattern recognition for detecting adulteration in sesame oil using machine olfaction system based on multivariate analysis | ||
| نویسندگان [English] | ||
| Hadi Hosseini1؛ Saeid Minaei2؛ Babak Beheshti1 | ||
| 1Department of Biosystems Engineering, Faculty of Agricultural Sciences and Food Industry, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 2Biosystems Eng. Dept. Tarbiat Modares Univ. Tehran, Iran | ||
| چکیده [English] | ||
| Sesame oil (SO) is one of the most popular edible oils Given the high price of this oil, it is prone to adulteration. Therefore, use of non-contact tools such as electronic nose is required to detect adulteration in SO.In this study, a machine olfaction system based on MOS gas sensors was utilized as an expert system for determination of sesame-oil adulteration with some vegetable oils (Canola and sunflower). The fatty-acid profiles of sesame, rapeseed, sunflower oil samples as well as their mixtures were determined using Gas Chromatography. After feature extraction VOCs from sensor array in different levels of SO adulteration, in order to detect and classify adulteration samples the pre-processed data were analyzed by Multivariate analysis methods of Principal Component Analysis, Linear Discrimination Analysis, Partial Least Squares, K-Nearest Neighbor, and Support Vector Machine. Variance of the data set was 95.68% in the PCA method. Based on PLS analysis, MQ138 and TGS2602 sensors were found to be the best indicators for the classification and detection of sesame oil samples. In addition, to select the appropriate pattern with high accuracy, data were classified using LDA, KNN and SVM methods. Results of the SVM with RFB kernel in C-SVM method had the highest classification accuracy. The accuracy of training and validation were 96.34 and 90.56%, respectively, followed by LDA and KNN models with Classifications accuracies of 92.30% and 89.94% respectively. Base on the resulst, this system can be used as a non-destructive method to detect adulteration in SO samples. | ||
| کلیدواژه‌ها [English] | ||
| Non-destructive, Olfactometry, Principal component analysis, Pattern recognitation, Sesame oil | ||
|
آمار تعداد مشاهده مقاله: 5 |
||
