تشخیص تقلب در نمونه عسل "کنار" با استفاده از یک سامانه ماشین بویایی

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 329

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JAM-7-2_010

تاریخ نمایه سازی: 6 دی 1399

Abstract:

عسل یک محلول ویسکوز و همچنین قند فوق اشباع گرفته ‌شده از شهد گل‌ها است که به‌وسیله زنبورعسل جمع‌آوری و اصلاح می‌شود. رایحه یکی از پارامترهای مهم در طبقه‌بندی عسل‌ است و بوی ساطع‌شده از آن بسته به گل‌های مختلف و ترکیبات تشکیل‌دهنده‌ آن می‌تواند متفاوت باشد. همین عوامل سبب استفاده از یک سامانه ماشین بویایی بر پایه حسگرهای نیمه‌هادی اکسید فلزی به‌منظور تشخیص تقلب در عسل شد. این سامانه، به هیچ‌گونه تجهیزات تخصصی و پر‌هزینه آزمایشگاهی نیاز نداشت. نمونه های عسل "کنار" با درصدهای مختلف تقلب (صفر، 20، 35 و 50 درصد) مورد آزمایش قرار گرفتند. از روش کسری برای بهبود و بهینه‌سازی سیگنال‌های خروجی بینی الکترونیک، قبل از ورود به روش‌های آنالیز تشخیص، استفاده شد. تحلیل مؤلفه اصلی (PCA)، تحلیل تفکیک خطی (LDA) و شبکه عصبی مصنوعی (ANN) روش‌هایی بودند که به‌منظور طبقه‌بندی و تحلیل ویژگی‌های استخراجی از سیگنال‌های ماشین بویایی استفاده شدند. برای تشخیص تقلب با استفاده از ماشین بویایی، نتایج شامل 91% واریانس به روش PCA، 100% و 100% دقت طبقه‌بندی به‌ترتیب برای روش‌های LDA و ANN بود. نتایج نشان داد سامانه ماشین‌بویایی ارائه شده یک وسیله مطمئن و قابل‌اتکا در تشخیص و ثبت تغییرات بین سطوح مختلف تقلب در عسل است.

Authors

محمد حاجی نژاد

دانشگاه تهران

سیدسعید محتسبی

دانشگاه تهران

مهدی قاسمی ورنامخواستی

دانشگاه شهر کرد

مرتضی آغباشلو

دانشگاه تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Anklam, E. 1998. A review of the analytical methods to ...
  • Arshak, K., E. Moore, G. M. Lyons, J. Harris, and ...
  • Bhattacharyya, N. R. Bandhopadhyay. Electronic nose and electronic tongue. Pages ...
  • Bogdanov, S. P. Martin. 2002. Honey authenticity: a review. Mitt. ...
  • Cotte, J. F. O., H. Casabianca, S. Chardon, J. Lheritier, ...
  • Cotte, J. F. O., H. Casabianca, B. Giroud, M. Albert, ...
  • de Rodriguez, G. O., B. S. de Ferrer, A. Ferrer, ...
  • Fisher, R. A. 1936. The use of multiple measurements in ...
  • Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. L. Rodriguez-Mendez, J. Lozano, ...
  • Hai, Z. J. Wang. 2006. Electronic nose and data analysis ...
  • Haykin, S. 1999. Multilayer perceptrons. Neural Networks: A Comprehensive Foundation ...
  • Heidarbeigi, K., S. S. Mohtasebi, A. Foroughirad, M. Ghasemi-Varnamkhasti, Sh. ...
  • Lammertyn, J., E. A. Veraverbeke, and J. Irudayaraj. 2004. zNose™ ...
  • Li, C., P. Heinemann, and R. Sherry. 2007. Neural network ...
  • Mahmoudi, E. 2009. Electronic nose technology and its applications. Sensors ...
  • Mateo, R. F. Bosch-Reig. 1998. Classification of Spanish unifloral honeys ...
  • Mildner‐Szkudlarz, S., and H. H. Jeleń. 2010. Detection of olive ...
  • Nagle, H. T., R. Gutierrez-Osuna, and S. S. Schiffman. 1998. ...
  • Pearce, T. C., J. W. Gardner, S. Friel, P. N. ...
  • Radovic, B. S., M. Careri, A. Mangia, M. Musci, M. ...
  • Roussel, S., V. Bellon-Maurel, J. M. Roger, and P. Grenier. ...
  • Son, H. J., J. H. Kang, E. J. Hong, C. ...
  • Subari, N., J. Mohamad Saleh, A. Y. Md Shakaff, and ...
  • Tomas-Barberan, F. A., I. Martos, F. Ferreres, B. S. Radovic, ...
  • Tudu, B., B. Kow, N. Bhattacharyya, and R. Bandyopadhyay. 2008. ...
  • Zakaria, A., A. Y. M. Shakaff, M. J. Masnan, M. ...
  • نمایش کامل مراجع