پیش بینی ویژگیهای بافتی پنیر موزارلای کم چرب با استفاده از تصویربرداری فراطیفی به کمک روش های یادگیری ماشین

  • سال انتشار: 1403
  • محل انتشار: مجله علوم و صنایع غذایی ایران، دوره: 21، شماره: 151
  • کد COI اختصاصی: JR_FSCT-21-151_002
  • زبان مقاله: فارسی
  • تعداد مشاهده: 175
دانلود فایل این مقاله

نویسندگان

Mahdi Kashaninejad

Professor, Department of Food Process Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran, Corresponding author, E-mail address: kashani@gau.ac.ir, Beheshti Ave., Gorgan. ۴۹۱۳۸-۱۵۷۳۹, Iran Tel-fax: +۹۸(۱۷) ۳۲۴۲۳۰۸۰

Aman Mohammad Ziaiifar

Department of Food Process Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran

Alireza Soleimanipour

Department of Biosystems Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran

Naser Behnampour

Health Management and Social Development Research Centre, Department of Biostatistics and Epidemiology, Golestan University of Medical Sciences, Gorgan, Iran

چکیده

با تغییر در شدت عملیات مکانیکی-حرارتی متفاوت، تنوع فرمولاسیون و شرایط نگهداری، ۳۶ نمونه پنیر موزارلا کم­چرب تهیه و سختی چسبندگی، انسجام، فنریت، حالت صمغی و قابلیت جویدن آنها توسط تجزیه و تحلیل مشخصات بافت اندازه­گیری و با استفاده از تجزیه و تحلیل تک­متغیره در قالب فاکتوریل در نرم­افزار SPSS با یکدیگر مقایسه شد. سپس تصویربرداری از همان نمونه­ها با دوربین فراطیفی در محدوده ۱۰۰۰-۴۰۰ نانومتر با دوربین فراطیفی انجام و پس از پیش­پردازش طیف­ها و جداسازی طول موج­های موثر به کمک الگوریتم­های انتخاب ویژگی، مدلسازی با الگوریتم رگرسیون خطی چندگانه، رگرسیون حداقل مربعات جزئی، ماشین بردار پشتیبان با کرنل خطی، شبکه عصبی پرسپترون چندلایه، جنگل­های تصادفی و الگوریتم رای اکثریت در نرم­افزار پایتون انجام و کارائی مدل­های ارزیابی گردید. نتایج نشان داد که با تشدید عملیات مکانیکی-حرارتی، سختی، فنریت، حالت صمغی و قابلیت جویدن و انسجام افزایش و چسبندگی کاهش پیدا کرد (۰۵/۰< P). افزودن اسید و جانشین­شونده­های چربی سبب کاهش سختی، انسجام، فنریت و قابلیت جویدن شده و حالت صمغی و چسبندگی را افزایش دادند. الگوریتم رای اکثریت، بیشترین کارایی را در پیش­بینی سختی (۸۷۸/۰=R۲p، ۵۲/۲۶۰۶= RMSEp و ۱۲/۲=RPD) بروز داد و توانست انسجام موزارلا را با کارائی بالاتری نسبت به سایر الگوریتم­ها پیش­بینی نماید. رگرسیون خطی چندگانه در پیش­بینی چسبندگی کارائی نداشت، اما روش جنگل­های تصادفی با عملکرد بالا این ویژگی را پیش­بینی نمود (۸۰۸/۰=R۲p، ۴۹/۵۶= RMSEp، ۹۰/۱=RPD). شبکه عصبی پرسپترون چندلایه با کمترین خطا، توانست فنریت (۸۴۸/۰= R۲p ۰۹۴/۰= RMSEp، ۱۲/۲=RPD) و قابلیت جویدن (۸۴/۰=R۲p، ۲۱/۱۱۱۷= RMSEp، ۹۶/۱=RPD) موزارلا را با عملکرد مناسب پیش­بینی نماید. تمام روش­ها به جز جنگل­های تصادفی توانستند با کارائی بالا حالت صمغی را پیش­بینی کنند. در این مطالعه مشخص شد عوامل فرایند تاثیر معنی­داری بر ویژگی­های بافتی داشتند و روش تصویربرداری تصویربرداری فراطیفی یک روش جایگزین مناسب برای تخمین ویژگی­های بافتی پنیر موزارلا تشخیص داده شد.

کلیدواژه ها

Key words: low-fat mozzarella, textural characteristics, Hyperspectral imaging, machine learning, واژگان کلیدی: موزارلا کم چرب, ویژگی های بافتی, تصویربرداری فراطیفی, یادگیری ماشین

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.