ارزیابی تازگی گوشت مرغ با استفاده از روش های ماشین بویایی و شبکه های عصبی مصنوعی

Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 33

This Paper With 15 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_JIFT-10-4_002

تاریخ نمایه سازی: 22 خرداد 1403

Abstract:

امروزه توجه ویژه بشر به کیفیت مواد غذایی موجب شده تا روش های سریع، آسان و غیرمخرب نظیر ماشین بویایی برای ارزیابی ویژگی های کیفی این مواد به کار گرفته شود. گوشت یکی از مهمترین مواد غذایی است و تازگی مهمترین ویژگی کیفی آن به شمار می رود؛ بنابر این بررسی کیفیت آن برای مصرف کننده از ارزش بسزایی برخوردار است. هدف اصلی مطالعه حاضر بررسی امکان استفاده از روش های ماشین بویایی و شبکه های عصبی مصنوعی برای تشخیص تازگی گوشت مرغ در طول دوره نگهداری در یخچال بود. برای رسیدن به این هدف، قسمت‎های ران مرغ به عنوان نمونه‎های مورد مطالعه انتخاب و در دمای ˚c۴ یخچال نگهداری شدند. در زمان های تعیین شده‎ای، نمونه ها پس از قرارگیری در محفظه‎های بسته‎ای از یخچال خارج و داده های بویایی آن ها اکتساب گردید. پس از پیش پردازش داده ها، از طبقه بند شبکه های عصبی مصنوعی با ساختار بهینه ۳-۶-۱۰ برای طبقه-بندی و تشخیص تازگی نمونه ها استفاده شد. شاخص های آماری به کار رفته به منظور ارزیابی طبقه بند جهت تخمین تازگی گوشت مرغ شامل دقت، صحت، حساسیت، اختصاصی بودن و سطح زیر منحنی بودند. مقادیر این شاخص ها برای طبقه بندی با ویژگی های منتخب به ترتیب برابر ۷۷/۹۵، ۷/۹۴، ۱۸/۹۲، ۹۵/۹۵ و ۱/۹۴ درصد محاسبه گردیدند. نتایج قابل قبول به دست آمده از بررسی حاضر به وضوح نشان داد که سامانه پیشنهادی بکار رفته به عنوان یک روش هوشمند و قابل اعتماد توانایی طبقه بندی بلادرنگ تازگی گوشت مرغ به صورت سریع، آسان، اقتصادی، غیر مخرب و با دقت مناسب را دارد.

Keywords:

Authors

علی داد پروانه

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی،دانشگاه لرستان، خرم آباد، ایران

امین طاهری گراوند

مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه لرستان، خرم آباد، ایران

فیض اله شهبازی

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی،دانشگاه لرستان، خرم آباد، ایران

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 :
  • Ellis, D. I., & Goodacre, R. (۲۰۰۱). Rapid and quantitative ...
  • Taheri-Garavand, A., Fatahi, S., Omid, M., & Makino, Y. (۲۰۱۹). ...
  • Salinas, Y., Ros-Lis, J. V., Vivancos, J. L., Martinez-Manez, R., ...
  • Shi, H., Zhang, M., & Adhikari, B. (۲۰۱۸). Advances of ...
  • Chen, Q., Hui, Z., Zhao, J., & Ouyang, Q. (۲۰۱۴). ...
  • Binson, V. A., George, M. M., Sibichan, M. A., Raj, ...
  • Munekata, P. E., Finardi, S., de Souza, C. K., Meinert, ...
  • Mirzaee-Ghaleh, E., Taheri-Garavand, A., Ayari, F., & Lozano, J. (۲۰۲۰). ...
  • Balasubramanian, S., Panigrahi, S., Logue, C. M., Marchello, M., Doetkott, ...
  • Zhang, Z., Tong, J., Chen, D. H., & Lan, Y. ...
  • Boothe, D. D. H., & Arnold, J. W. (۲۰۰۲). Electronic ...
  • O’Connell, M., Valdora, G., Peltzer, G., & Negri, R. M. ...
  • Varidi, M. J., Varidi, M, Vajdi, M.& Sharifpour, A. (۲۰۱۸). ...
  • El Barbri, N., Mirhisse, J., Ionescu, R., El Bari, N., ...
  • Li, X., Wang, B., Yi, C., & Gong, W. (۲۰۲۲). ...
  • Ayari, F., Mirzaee‐Ghaleh, E., Rabbani, H., & Heidarbeigi, K. (۲۰۱۸). ...
  • Taheri-Garavand, A., Rezaei Nejad, A., Fanourakis, D., Fatahi, S. & ...
  • Taheri-Garavand, A., Nasiri, A., Fanourakis, D., Fatahi, S., Omid, M. ...
  • Timsorn, K., Wongchoosuk, C., Wattuya, P., Promdaen, S., & Sittichat, ...
  • Fatahi, S., Taheri Geravand, A., & Shahbazi, F. (۲۰۱۷). Estimate ...
  • نمایش کامل مراجع