پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی
ادویه‌جات از با ارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی از جمله هندوستان، پاکستان، چین و کشورهای آسیای شر...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2020-09-01
|
| Series: | مجله پژوهش‌های علوم و صنایع غذایی ایران |
| Subjects: | |
| Online Access: | https://ifstrj.um.ac.ir/article_37717_515bfcb26b7f39f083c1977be55ad378.pdf |
| _version_ | 1818417404097593344 |
|---|---|
| author | فائزه جمالیزاده مهدی قاسمی ورنامخواستی مهدی قاسمی نافچی مجتبی توحیدی مجید دولتی |
| author_facet | فائزه جمالیزاده مهدی قاسمی ورنامخواستی مهدی قاسمی نافچی مجتبی توحیدی مجید دولتی |
| author_sort | فائزه جمالیزاده |
| collection | DOAJ |
| description | ادویه‌جات از با ارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی از جمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در این پژوهش، یک سامانه ماشین بویایی بر پایه هشت حسگر نیمه هادی اکسید فلزی در ترکیب با روش‌های تشخیص الگو به‌منظور طبقه‌بندی و جداسازی ادویه فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب‌های کبابه چینی و پودر هسته خرما به‌کارگرفته شد. به‌منظور تحلیل داده‌های استخراج شده از سیگنال پاسخ حسگرها از روش تحلیل مولفه‌های اصلی (PCA) استفاده شد. براساس نتایج حاصل، آنالیز مولفه‌های اصلی با مجموع دو مولفه اصلی اول %96 برای نمونه‌های فلفل سیاه براساس منشاء جغرافیایی و 95% برای تقلب‌های کبابه چینی و هسته خرما از واریانس داده‌ها قابل توصیف است. همچنین از سه روش تحلیل تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و درخت تصمیم‌گیری (DT) برای طبقه‌بندی نمونه‌ها استفاده شد. استفاده از روش LDA، برای نمونه‌های فلفل سیاه دقت طبقه‌بندی 100% و برای تقلبها دقت 14/97% را نشان داد. نتایج نشان داد که SVM با تابع گاوسی بالاترین دقت را در طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما را دارد. همچنین میزان موفقیت روش DT در تفکیک و طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما به‌ترتیب 66/96% و 5/88% برآورد شد. |
| first_indexed | 2024-12-14T12:06:14Z |
| format | Article |
| id | doaj.art-e7a1058d3fb44012a429cb0e67de1124 |
| institution | Directory Open Access Journal |
| issn | 1735-4161 2228-5415 |
| language | English |
| last_indexed | 2024-12-14T12:06:14Z |
| publishDate | 2020-09-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | مجله پژوهش‌های علوم و صنایع غذایی ایران |
| spelling | doaj.art-e7a1058d3fb44012a429cb0e67de11242022-12-21T23:01:53ZengFerdowsi University of Mashhadمجله پژوهش‌های علوم و صنایع غذایی ایران1735-41612228-54152020-09-0116447949110.22067/ifstrj.v16i4.7645537717پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندیفائزه جمالیزاده0مهدی قاسمی ورنامخواستی1مهدی قاسمی نافچی2مجتبی توحیدی3مجید دولتی4دانشگاه شهرکرددانشگاه شهرکرددانشگاه شهرکرددانشگاه شهرکرددانشگاه بوعلی سینا همدانادویه‌جات از با ارزش‌ترین گیاهان دارویی مورداستفاده در صنایع غذایی و علم پزشکی هستند و با توجه به تفاوت کیفیت و قیمت بین گونه‌های مختلف، تشخیص، طبقه‌بندی و جداسازی آن‌ها براساس خلوص و درجه کیفیت از اهمیت بالایی برخوردار است. ادویه‌ها درکشورهای مختلفی از جمله هندوستان، پاکستان، چین و کشورهای آسیای شرقی و جنوبی تولید می‌شوند. در این پژوهش، یک سامانه ماشین بویایی بر پایه هشت حسگر نیمه هادی اکسید فلزی در ترکیب با روش‌های تشخیص الگو به‌منظور طبقه‌بندی و جداسازی ادویه فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب‌های کبابه چینی و پودر هسته خرما به‌کارگرفته شد. به‌منظور تحلیل داده‌های استخراج شده از سیگنال پاسخ حسگرها از روش تحلیل مولفه‌های اصلی (PCA) استفاده شد. براساس نتایج حاصل، آنالیز مولفه‌های اصلی با مجموع دو مولفه اصلی اول %96 برای نمونه‌های فلفل سیاه براساس منشاء جغرافیایی و 95% برای تقلب‌های کبابه چینی و هسته خرما از واریانس داده‌ها قابل توصیف است. همچنین از سه روش تحلیل تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و درخت تصمیم‌گیری (DT) برای طبقه‌بندی نمونه‌ها استفاده شد. استفاده از روش LDA، برای نمونه‌های فلفل سیاه دقت طبقه‌بندی 100% و برای تقلبها دقت 14/97% را نشان داد. نتایج نشان داد که SVM با تابع گاوسی بالاترین دقت را در طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما را دارد. همچنین میزان موفقیت روش DT در تفکیک و طبقه‌بندی نمونه‌های فلفل سیاه، تقلب کبابه چینی و تقلب هسته خرما به‌ترتیب 66/96% و 5/88% برآورد شد.https://ifstrj.um.ac.ir/article_37717_515bfcb26b7f39f083c1977be55ad378.pdfماشین بویاییفلفل سیاهکبابه چینیهسته خرما |
| spellingShingle | فائزه جمالیزاده مهدی قاسمی ورنامخواستی مهدی قاسمی نافچی مجتبی توحیدی مجید دولتی پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی مجله پژوهش‌های علوم و صنایع غذایی ایران ماشین بویایی فلفل سیاه کبابه چینی هسته خرما |
| title | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| title_full | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| title_fullStr | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| title_full_unstemmed | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| title_short | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| title_sort | پیاده‌سازی یک سامانه ماشین بویایی برای طبقه‌بندی انواع مختلف فلفل سیاه براساس منشاء جغرافیایی و تشخیص تقلب در فلفل سیاه هندی |
| topic | ماشین بویایی فلفل سیاه کبابه چینی هسته خرما |
| url | https://ifstrj.um.ac.ir/article_37717_515bfcb26b7f39f083c1977be55ad378.pdf |
| work_keys_str_mv | AT fạỷzhjmạlyzạdh pyạdhsạzyyḵsạmạnhmạsẖynbwyạyybrạyṭbqhbndyạnwạʿmkẖtlfflflsyạhbrạsạsmnsẖạʾjgẖrạfyạyywtsẖkẖyṣtqlbdrflflsyạhhndy AT mhdyqạsmywrnạmkẖwạsty pyạdhsạzyyḵsạmạnhmạsẖynbwyạyybrạyṭbqhbndyạnwạʿmkẖtlfflflsyạhbrạsạsmnsẖạʾjgẖrạfyạyywtsẖkẖyṣtqlbdrflflsyạhhndy AT mhdyqạsmynạfcẖy pyạdhsạzyyḵsạmạnhmạsẖynbwyạyybrạyṭbqhbndyạnwạʿmkẖtlfflflsyạhbrạsạsmnsẖạʾjgẖrạfyạyywtsẖkẖyṣtqlbdrflflsyạhhndy AT mjtbytwḥydy pyạdhsạzyyḵsạmạnhmạsẖynbwyạyybrạyṭbqhbndyạnwạʿmkẖtlfflflsyạhbrạsạsmnsẖạʾjgẖrạfyạyywtsẖkẖyṣtqlbdrflflsyạhhndy AT mjyddwlty pyạdhsạzyyḵsạmạnhmạsẖynbwyạyybrạyṭbqhbndyạnwạʿmkẖtlfflflsyạhbrạsạsmnsẖạʾjgẖrạfyạyywtsẖkẖyṣtqlbdrflflsyạhhndy |