تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,422 |
تعداد دریافت فایل اصل مقاله | 15,216,977 |
ایجاد سیستم طبقهبندی بر اساس پردازش تصویر جهت جداسازی کیفی زالزالک طی نگهداری در شرایط مختلف (سردخانه، یخچال و محیط) | ||
پژوهش های صنایع غذایی | ||
مقاله 14، دوره 30، شماره 1، اردیبهشت 1399، صفحه 195-209 اصل مقاله (1.43 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محسن زندی* ؛ علی گنجلو؛ ماندانا بیمکر | ||
گروه علوم و مهندسی صنایع غذایی، دانشگاه زنجان | ||
چکیده | ||
زمینه مطالعاتی: مشخصه ظاهری میوهها بر ارزش تجاری، ترجیح و انتخاب مصرفکننده مؤثر است. درجهبندی میوه در صنایع بستهبندی بسیار ضروری میباشد، زیرا تقاضای زیادی برای میوههای مرغوب و با کیفیت در بازار وجود دارد. هدف: هدف ایجاد یک سیستم درجهبندی میوه بر اساس کیفیت آن طی نگهداری با استفاده از خصیصههای رنگی و با کمک تکنیک تجزیه و تحلیل تصویر است. روش کار: درجهبندی میوههای زالزالک به سه درجه کیفی (A، B و C) طی نگهداری در شرایط مختلف (یخچالی، سردخانه و محیط) با استفاده از تکنیک تجزیه و تحلیل تصویر انجام شد. برای مقایسه نتایج تجزیه و تحلیل تصویر و طبقهبندی بصری، خصوصیات فیزیکیشیمیایی و هندسی میوه تعیین شد. پارامترهای کیفی رنگی (L*، a*، b*، c*، h* و ) پارامترهای هندسی، افت وزن، سفتی بافت، میزان مواد جامد محلول (TSS)، pH، اسیدیته قابل تیتر (TA) و شاخص رسیدگی (RPI) فاکتورهای اندازهگیری شده است. تجزیه و تحلیل مؤلفه اصلی به منظور ارزیابی ارتباط بین متغیرها استفاده شد. نتایج: اولین همبستگی بین پارامترهای فیزیکیشیمیایی و رنگی انجام گردید که همبستگی بالای بین تمامی متغیرها بهجز خصیصه وجود داشت؛ پارامترهای فیزیکیشیمیایی و رنگی توانستند تغییرات را با قابلیت اطمینان 2/94 درصد توصیف نمایند. با استفاده از پارامترهای رنگی و بدون حضور پارامترهای فیزیکیشیمیایی، تغییرات را با قابلیت اطمینان 4/97 درصد توصیف گردید. از دو سیستم طبقهبندی تحلیل تفکیک خطی (LDA) و تحلیل تفکیک درجه دو (QDA) برای ارزیابی کارایی سیستم بینایی استفاده شد. نتایج نشان داد که دو سیستم طبقهبندی تحلیل تفکیک خطی و تحلیل تفکیک درجه دو قادرند تا زالزالکها را با دقت 99 و 5/99 درصد به درجه کیفی درست خود طبقهبندی نماید. نتیجهگیری نهایی: بنابراین روش پیشنهادی جدید امکان طبقهبندی سریع و دقیق میوهها بر اساس درجه کیفی فراهم میآورد؛ و میتوان آن را به راحتی در کارخانههای فرآوری کاربردی نمود. | ||
کلیدواژهها | ||
زالزالک؛ پردازش تصویر؛ خصیصههای رنگی؛ پارامترهای فیزیکیشیمیایی؛ درجهبندی کیفی | ||
مراجع | ||
اسماعیلی ن، حسنی رن و زارع نهندی ف، 1398. ارزیابی اثر زمان برداشت و مدت نگهداری میوه در سردخانه بر روی برخی خصوصیات کیفی میوه زغال اخته. نشریه پژوهشهای صنایع غذایی، (3)29، 69-84. دریلی س، حسنپور ح و فرخزاد ع، 1396. ویژگیهای میوهشناختی برخی از نژادگانهای زالزالک در استان آذربایجان غربی، نشریه علوم باغبانی ایران، (3)48، 689-700. قربانی م، صداقت ن، میلانی ا و کوچکی آ، 1395. تاثیر نوع بستهبندی و شرایط نگهداری بر ویژگیهای فیزیکیشیمیایی، فعالیت آنتیاکسیدانی و بار میکروبی دانههای انار آماده مصرف. نشریه پژوهشهای صنایع غذایی، (3)26، 381-395. عشورنژاد م و قاسم نژاد م، 1391. اثر بستهبندی با فیلم سلوفان و انبارداری سرد بر کیفیت نگهداری و عمر انبارمانی میوه ازگیل ژاپنی (Eriobotrya japonica)، علوم تغذیه و صنایع غذایی ایران، (2)7، ۹۵-۱۰۲. Afsharnia F, Mehdizadeh S, Ghaseminejad M and Heidari M, 2017. The effect of dynamic loading on abrasion of mulberry fruit using digital image analysis. Imformation Processing in Agriculturale 4:291-299.
Arakeria M and Lakshmana A, 2016. Computer Vision Based Fruit Grading System for Quality Evaluation of Tomato in Agriculture industry. Procedia Computer Science 79:426–433.
Arzate-Vazquez I, Chanona-Perez J, Perea-Flores M, Calderon-Domı´nguez G, Moreno-Armendariz M and Gutierrez-Lopez G, 2011. Image processing applied to classification of avocado variety Hass (Persea americana Mill) during the ripening process. Food and Bioprocess Technology 4:1307-1313.
Baigvand M, Banakar A, Minae S, Khodaei J and Behroozi-Khazaei N, 2015. Machine vision system for grading of dried figs. Computers and Electronics in Agriculture 119:158–165.
Cardenas-Perez S, Chanona-Perez J, Mendez-Mendez J, Calderon-Domınguez G, Lopez-Santiago R, Perea-Flores M and Arzate-Vazquez I, 2017. Evaluation of the ripening stages of apple (Golden Delicious) by means of computer vision system. Biosystems Engineering 159:46-58.
Chai W, Chen C, Gao Y, Feng H, Ding Y, Shi Y and Chen Q, 2014. Structural analysis of proanthocyanidins isolated from fruit stone of Chinese hawthorn with potent antityrosinase and antioxidant activity. Journal of Agricultural and Food Chemistry 62:123–129.
Chang W, Dao J and Shao Z, 2005. Hawthorn: Potential roles in cardiovascular disease. The American Journal of Chinese Medicine 33:1–10.
Donis-González I, Guyer D, Leiva-Valenzuela G and Burns J, 2013. Assessment of chestnut (Castanea spp.) slice quality using color images. Journal of Food Engineering 115(3):407-414.
Helrich K, 1990. AOAC Official Methods of Analysis. Official Methods of Analysis of the AOAC International.
Hosseinpour S, Rafiee S, Mohtasebi S and Aghbashlo M, 2012. Application of computer vision technique for on-line monitoring of shrimp colour changes during drying. Journal of Food Engineering 115:99–114.
Huang Y, Lub R and Chena K, 2017. Development of a multichannel hyperspectral imaging probe for property and quality assessment of horticultural products. Postharvest Biology and Technology 88-97.
Jackman P and Sun DW, 2013. Recent advances in image processing using image texture features for food quality assessment. Trends in Food Science & Technology 29:35-43.
Kienzle S, Sruamsiri P, Carle R, Sirisakulwat S, Spreer W and Neidhart S, 2011. Harvest maturity specification for mango fruit (Mangifera indica L. ‘Chok Anan’) in regard to long supply chains. Postharvest Biology and Technology 61(1):41-45.
Li C, Han W and Wang MH, 2010. Antioxidant Activity of Hawthorn Fruit in vitro. Journal of Applied Biological Chemistry 53(1):8-12.
Li WQ, Hu QP and Xu JG, 2015. Changes in physicochemical characteristics and free amino acids of hawthorn (Crataegus pinnatifida) fruits during maturation. Food Chemistry 175:50–56.
Liming, X and Yanchao Z, 2010. Automated strawberry grading system based on image processing. Computers and Electronics in Agriculture 71:32-39.
Liu S, Chang X, Liu X and Shen Z, 2016. Effects of pretreatments on anthocyanin composition, phenolics contents and antioxidant capacities during fermentation of hawthorn (Crataegus pinnatifida) drink. Food Chemistry 212:87–95.
Liu S, Zhang X, You L, Guo Z, and Chang X, 2018. Changes in anthocyanin profile, color, and antioxidant capacity of hawthorn wine (Crataegus pinnatifida) during storage by pretreatments. LWT - Food Science and Technology 95:179–186.
Makky M and Soni P, 2013. Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision. Computers and Electronics in Agriculture 93:129–139.
Moallem P, Serajoddin A and Pourghassem H, 2017. Computer vision-based apple grading for golden delicious apples based on surface features. information Processing in Agriculture 4(1):33-40.
Mohammadi V, Kheiralipour K and Ghasemi-Varnamkhasti M, 2015. Detecting maturity of persimmon fruit based on image processing technique. Scientia Horticulturae 184:123–128.
Momina M, Rahmana M, Sultana M, Igathinathane C, Ziauddin A and Grift T, 2017. Geometry-based mass grading of mango fruits using image processing. Information Processing in Agriculture 4(2):150-160.
Mraihi F, Hidalgo M, Pascual-Teresa S, Trabelsi-Ayadi M and Cherif J, 2015. Wild grown red and yell ow Hawthorn fruits from Tunisia as source of antioxidants. Arabian Journal of Chemistry 8:570-578.
Muhammad G, 2015. Date fruits classification using texture descriptors and shape-size features. Engineering Applications of Artificial Intelligence 37:361–367.
Nordey T, Léchaudel M, Génard M and Joas J, 2014. Spatial and temporal variations in mango colour, acidity, and sweetness in relation to temperature and ethylene gradients within the fruit. Journal of plant physiology 171(17):1555-1563.
Nouri-Ahmadabadi H, Omid M, Mohtasebi S and Soltani Firouz M, 2017. Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine. Information Processing in Agriculture 4(4):333-341.
Ornelas-Paz J, Yahia E and Gardea A, 2008. Changes in external and internal color during postharvest ripening of 'Manila' and 'Ataulfo' mango fruit and relationship with carotenoid content determined by liquid chromatography-APcI + -time-of-flight mass spectrometry. Postharvest Biology and Technology 50(2):145-152.
Ozcan M, Hacıseferogulları H, Marakoglu T and Arslan D, 2005. Hawthorn (Crataegus spp.) fruit: some physical and chemical properties. Journal of Food Engineering 69:409-413.
Pittler M, Schmidt K and Ernst E, 2003. Hawthorn extract for treating chronic heart failure: Meta-analysis of randomized trials. The American Journal of Medicine 114:665–674.
Pourdarbani R, Ghassemzadeh H, Seyedarabi H, Nahandi F, and Moghaddam Vahed M, 2015. Study on an automatic sorting system for Date fruits. Journal of the Saudi Society of Agricultural Sciences 14(1):83-90.
Razavi F, Roghayeh M, Rabiei V, Soleimani Aghdam M and Soleimani A, 2018. Glycine betaine treatment attenuates chilling injury and maintains nutritional quality of hawthorn fruit during storage at low temperature. Scientia Horticulturae 233:188-194.
Sabzi S, Abbaspour-Gilandeh Y and García-Mateos G, 2018. A new approach for visual identification of orange varieties using neural networks and metaheuristic algorithms. Information Processing in Agriculture 5(1): 162-172.
Sofu M, Erb O, Kayacan M and Cetisli B, 2016. Design of an automatic apple sorting system using machine vision. Computers and Electronics in Agriculture 395-405.
Vesquez-Caicedo A, Sruamsiri P, Carle R and Neidhart S, 2005. Accumulation of all-trans-beta-carotene and its 9-cis and 13-cis stereoisomers during postharvest ripening of nine Thai mango cultivars. Journal ofAgricultural and Food Chemistry 53(12):4827-4835.
Vélez-Rivera N, Blasco J, Chanona-Pérez J, Calderón-Domínguez G, Perea-Flores M, Arzate-Vázquez I and Farrera-Rebollo R, 2014. Computer Vision System Applied to Classification of “Manila” Mangoes During Ripening Process. Food and Bioprocess Technology, 7(4):1183–1194.
Wan P, Toudeshki A, Tana H and Ehsani R, 2018. A methodology for fresh tomato maturity detection using computer vision. Computers and Electronics in Agriculture 146:43-50.
Zhang Z, Ho W, Huang Y and Chen Z, 2002. Hypocholesterolemic activity of hawthorn fruit is mediated by regulation of cholesterol-7alphahydroxylase and acylCoA: Cholesterol acyltransferase. Food Research International 35:885–891.
Zhua R, Li T, Dong Y, Liu Y, Li S, Chen G and Jia Y, 2013. Pectin pentasaccharide from hawthorn (Crataegus pinnatifida Bunge. Var. major) ameliorates disorders of cholesterol metabolism in high-fat diet fed mice. Food Research International 262-268.
| ||
آمار تعداد مشاهده مقاله: 685 تعداد دریافت فایل اصل مقاله: 452 |