پیاده‌سازی سامانه ماشین بویایی به‌منظور تشخیص تقلب در روغن حیوانی گاوی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 415

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAM-10-2_002

تاریخ نمایه سازی: 6 دی 1399

چکیده مقاله:

تقلب در محصولات لبنی نه تنها تهدیدی جدی برای سلامت انسان است بلکه زیان‌های اقتصادی متعددی را نیز به دنبال دارد. ازجمله تقلب‌های رایج در روغن حیوانی گاوی، ترکیب کردن آن با روغن نباتی و روغن دنبه است. در این پژوهش، یک سامانه‌ی ماشین بویایی بر پایه هشت حسگر نیمه‌هادی اکسـید فلـزی ساخته شد و قابلیت آن در تشخیص مقادیر مختلف ترکیب روغن نباتی و روغن دنبه در روغن حیوانی گاوی خالص (10، 20، 30، 40 و 50 درصد) مورد بررسی قرار گرفت. بردار ویژگی‌ها از سیگنال پاسخ حسگرها به ترکیبات فرار و معطر انواع روغن‌ها، استخراج و به‌عنوان ورودی مدل تشخیص الگو استفاده شد. هم‌چنین جهت طبقه‌بندی ویژگی‌های استخراج‌شده از روش تحلیل تفکیک درجه دوم (QDA) استفاده شد. نتایج حاصل از آنالیز مؤلفه‌های اصلی با دو مؤلفه‌ی PC1 و PC2، به‌ترتیب واریانس 98 و 97 درصد را برای ترکیب روغن حیوانی با روغن نباتی و روغن دنبه نشان داد. همچنین نمودارهای لودینگ و رادار نشان داد که بوی روغن حیوانی گاوی بیش‌ترین و کم‌ترین تأثیر را به‌ترتیب روی حسگر TGS822 و حسگر MQ135 دارد. همچنین بوی روغن نباتی و روغن دنبه بیش‌ترین و کم‌ترین تأثیر را به‌ترتیب روی حسگرهای MQ136 و MQ135 داشت. با توجه به نتایج به‌دست آمده از نمودار رادار مشخص شد که حسگر MQ135 کمترین نقش را در طبقه‌بندی دارد. هم‌چنین براساس نتایج حاصل از طبقه‌بندی، دقت طبقه‌بندی برای روغن حیوانی مخلوط با روغن نباتی و روغن دنبه به‌ترتیب برابر 24/95 و 15/97 درصد به‌دست آمد.

نویسندگان

فردین ایاری

دانشگاه رازی

حکمت ربانی

دانشگاه رازی

کبری حیدربیگی

دانشگاه ایلام

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Amrutha Kala, A. 2013. Detection of possible adulteration in commercial ...
  • Bahrami, G. R., H. Rahi, and Z. Pyravi-Vanak. 2000. Change ...
  • Cevoli, C., L. Cerretani, A. Gori, M. Caboni, T. G. ...
  • Doleman, B. J., and N. S. Lewis. 2001. Comparison of ...
  • Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, and S. Balasubramanian. ...
  • Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, H. Ahmadi, and ...
  • Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, J. Lozano, H. ...
  • Hai, Z., and J. Wang. 2006. Detection of adulteration in ...
  • Heidarbeigi, K., S. S. Mohtasebi, A. Foroughirad, M. Ghasemi-Varnamkhasti, Sh. ...
  • Jirankalgikar, N. M., and S. De. 2014. Detection of tallow ...
  • Kiani, S., S. Minaei, and M. Ghasemi-Varnamkhasti. 2016. Application of ...
  • Khairalipour, K., and A. Prma. 2015 .Using linear (LDA) and ...
  • Loutfi, A., S. Coradeschi, G. K. Mani, P. Shankar, and ...
  • Marina, M., Y. B. Che Man, and I. Amin. 2010. ...
  • Mildner-Szkudlarz, S., and H. H. Jeleń. 2008. The potential of ...
  • Oh, K., F. B. Hu, J. E. Manson, M. J. ...
  • Oliveros, M. C. C., J. L. P. Pavon, C. G. ...
  • Pearce, T. C., S. S. Schiffman, H. T. Nagle, and ...
  • Sanaeifar, A., S. S. Mohtasebi, M. Ghasemi-Varnamkhasti, and H. Ahmadi. ...
  • Son, H. J., J. H. Kang, E. J. Hong, C. ...
  • Tajima, A., S. Kawahara, K. Shin, K. Imaizumi, T. Nakamura, ...
  • Tohidi, M., M. Ghasemi-Varnamkhasti, V. Ghafarinia, M. Bonyadian, and S. ...
  • Varidi, M. J., M. Varidi, M. Vajdi, and A. Sharifpour. ...
  • نمایش کامل مراجع