پیشبینی ویژگیهای بافتی پنیر موزارلای کم چرب با استفاده از تصویربرداری فراطیفی به کمک روشهای یادگیری ماشین | ||
| مجله علوم و صنایع غذایی ایران | ||
| Article 2, Volume 21, Issue 151, 1403, Pages 13-31 PDF (856.33 K) | ||
| DOI: 10.22034/FSCT.21.151.13 | ||
| Authors | ||
| مهدی کاشانی نژاد1; محمدامان ضیائی فر2; علیرضا سلیمانی پور3; ناصر بهنام پور* 4 | ||
| 1استاد گروه مهندسی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2گروه مهندسی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 3گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 4مرکز تحقیقات مدیریت سلامت و توسعه اجتماعی، گروه آمار زیستی و اپیدمیولوژی، دانشگاه علوم پزشکی گلستان | ||
| Abstract | ||
| با تغییر در شدت عملیات مکانیکی-حرارتی متفاوت، تنوع فرمولاسیون و شرایط نگهداری، 36 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 1000-400 نانومتر با دوربین فراطیفی انجام و پس از پیشپردازش طیفها و جداسازی طول موجهای مؤثر 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 رأی 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 (05/0< P). افزودن اسید و جانشینشوندههای چربی سبب کاهش سختی، انسجام، فنریت و قابلیت جویدن شده و حالت صمغی و چسبندگی را افزایش دادند. الگوریتم رأی اکثریت، بیشترین کارایی را در پیشبینی سختی (878/0=R2p، 52/2606= RMSEp و 12/2=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 (808/0=R2p، 49/56= RMSEp، 90/1=RPD). شبکه عصبی پرسپترون چندلایه با کمترین خطا، توانست فنریت (848/0= R2p 094/0= RMSEp، 12/2=RPD) و قابلیت جویدن (84/0=R2p، 21/1117= RMSEp، 96/1=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 تأثیر معنیداری بر ویژگیهای بافتی داشتند و روش تصویربرداری تصویربرداری فراطیفی یک روش جایگزین مناسب برای تخمین ویژگیهای بافتی پنیر موزارلا تشخیص داده شد. | ||
| Keywords | ||
| واژگان کلیدی: موزارلا کمچرب; ویژگیهای بافتی; تصویربرداری فراطیفی; یادگیری ماشین | ||
| References | ||
|
| ||
|
Statistics Article View: 315 PDF Download: 142 |
||
| Number of Journals | 45 |
| Number of Issues | 2,160 |
| Number of Articles | 24,568 |
| Article View | 19,740,173 |
| PDF Download | 15,965,735 |