با همکاری انجمن مهندسان مکانیک ایران
نویسنده = ناهید عقیلی ناطق
کشاورزی دیجیتال، هوشمند و دقیق

پیش‌بینی ویتامین C و تغییر رنگ پودر پرتقال در چهار خشک‌کن مختلف با استفاده از بینی الکترونیک

دوره 16، شماره 3، پاییز 1405، صفحه 469-486

https://doi.org/10.22067/jam.2025.92037.1340

مازیار روشن مقدم، رضا امیری چایجان، ناهید عقیلی ناطق

چکیده در این تحقیق، مقدار ویتامین C، ترکیبات معطر و تغییر رنگ پودر پرتقال با استفاده از روش‌های شیمیایی، دستگاه بویایی و اسکنر در چهار خشک‌کن در دمایC ° ۴۵ درجه سانتی‌گراد اندازه‌گیری شد. این دستگاه‌های خشک‌کن شامل خلاء اتمسفر معمولی، خلاء کنترل اتمسفر، همرفتی و همرفتی-مادون قرمز بودند. بیشترین پاسخ حسگرها به ترکیبات معطر در خشک‌کن‌های همرفتی و کمترین پاسخ در خشک‌کن‌های خلاء کنترل و خلاء معمولی مشاهده شد. دو مؤلفه اصلی تحلیل مؤلفه‌های اصلی (PCA) ۸۸% از واریانس داده‌ها را توضیح دادند. ساختار شبکه عصبی مصنوعی (ANN) ۸-۵-۴ بود. علاوه بر این، بر اساس نمودارهای بارگذاری مدل‌های حداقل مربعات جزئی (PLS) و رگرسیون مؤلفه‌های اصلی (PCR)، حسگرهای MQ3 و MQ6 بهترین حسگرها برای پیش‌بینی میزان ویتامین C و تغییر رنگ پودر پرتقال بودند. حسگرMQ135  نیز به دلیل دقت پایین و کاهش هزینه، می‌تواند از مجموعه حسگرهای بینی الکترونیکی حذف شود. رگرسیون خطی چندگانه (MLR)، در مقایسه با مدل‌های PCR وPLS، دقیق‌تر عمل کرد، یعنی R2= 0.83 و RMSE= 0.144 برای پیش‌بینی ویتامین C و R2= 0.94 و RMSE= 0.68 برای پیش‌بینی تغییر رنگ محاسبه شدند. بیشترین و کمترین مقادیر تغییر رنگ اندازه‌گیری‌شده به‌ترتیب در خشک‌کن همرفتی و خشک‌کن خلاء کنترل اتمسفری مشاهده شد. همچنین، بیشترین و کمترین ویتامین C اندازه‌گیری‌شده به‌ترتیب در خشک‌کن همرفتی-مادون قرمز و خشک‌کن خلاء کنترل اتمسفری مشاهده شد. بهترین خشک‌کن برای حفظ کیفیت پودر پرتقال، خشک‌کن همرفتی-مادون قرمز بود. نتایج این مقاله نشان داد که داده‌های به‌دست‌آمده از دستگاه بویایی قادر به پیش‌بینی تغییر رنگ و ویتامین C پودر پرتقال است. همچنین، می‌توان از دستگاه بویایی برای شناسایی و طبقه‌بندی نوع خشک‌کن مورد استفاده برای تهیه پودر پرتقال با کمترین زمان و هزینه، بدون تخریب نمونه، و تعیین بهترین خشک‌کن برای تهیه پودر پرتقال استفاده کرد.

مهندسی پس‌ از برداشت، و فرآوری محصولات کشاورزی

امکان‌سنجی تشخیص ژنوتیپ‌های مختلف گیاه نعنا با تکنیک E-Nose

دوره 16، شماره 3، پاییز 1405، صفحه 563-578

https://doi.org/10.22067/jam.2025.92417.1354

حسن ذکی دیزجی، محمد محمودی سورستانی، ناهید عقیلی ناطق، آناهیتا بویری ده شیخ

چکیده مطالعه حاضر به بررسی طبقه‌بندی ده ژنوتیپ نعناع توسط یک سیستم بینی الکترونیکی مبتنی بر حسگرهای نیمه‌هادی اکسید فلزی (MOS) می‌پردازد. نمونه‌های برگ از ژنوتیپ‌های مختلف نعناع برداشت شد، سپس پاسخ سنسورهای سیستم به هر نمونه ثبت شد. برای طبقه‌بندی گیاهان، پاسخ تمام حسگرهای بینی الکترونیکی با روش‌های تجزیه و تحلیل اجزای اصلی (PCA)، تجزیه و تحلیل تشخیص خطی (LDA)، تجزیه و تحلیل متمایز درجه دوم (QDA) و شبکه عصبی مصنوعی (ANN) مورد بررسی قرار گرفت. بر اساس نتایج تجزیه و تحلیل کیفی اسانس‌ها توسط دستگاه GC-MS، بیش از 99 درصد ترکیبات شناسایی‌شده در چهار گروه شیمیایی شامل هیدروکربن‌ها و مونوترپن‌ها و سسکوئی‌ترپن‌های اکسیژن‌دار قرار داشتند. همچنین بر اساس تجزیه و تحلیل بای پلات، جمعیت‌های مختلف نعناع را می‌توان به‌طور کلی به 8 گروه تقسیم کرد. نتایج تحلیل مؤلفه‌های اصلی با استفاده از داده‌های به‌دست‌آمده از سیستم نشان داد که دو مؤلفه اصلی اول می‌توانند در مجموع 97 درصد از واریانس داده‌ها را پوشش دهند. دقت طبقه‌بندی با استفاده از داده‌های بینی الکترونیکی برای تجزیه و تحلیل وضوح خطی، تجزیه و تحلیل وضوح درجه دوم و شبکه عصبی مصنوعی به‌ترتیب 98.9، 99.9 و 96% به‌دست آمد. طبقه‌بندی مناسب ژنوتیپ‌های نعناع توسط سیستم بینی الکترونیکی می‌تواند به‌عنوان جایگزینی حساس، قابل‌اعتماد و کم‌هزینه برای روش‌های سنتی مورد استفاده قرار گیرد.

مهندسی پس‌ از برداشت، و فرآوری محصولات کشاورزی

تشخیص درصدهای مختلف پالم در روغن ذرت به کمک بینی الکتریکی (تشخیص تقلب)

دوره 13، شماره 2، تابستان 1402، صفحه 163-174

https://doi.org/10.22067/jam.2021.70930.1046

زهرا زنگنه وندی، حسین جوادی کیا، ناهید عقیلی ناطق، لیلا ندرلو

چکیده روغن‌های جامد نباتی یا روغن‌هایی مثل پالم دارای اسید چرب اشباع بالا هستند، چنین روغن‌هایی می‌توانند باعث بالا رفتن چربی خون، افزایش کلسترول بدن و در نهایت موجب گرفتگی و انسداد عروق شوند. در این پژوهش از یک سامانه به‌منظور تشخیص میزان پالم در روغن ذرت استفاده شده که شامل ده حسگر نیمه‌هادی اکسید فلزی بود. ویژگی‌های استخراج شده از سیگنال‌های به‌دست‌آمده از بینی‌الکتریکی با روش‌های تحلیل مولفه‌های اصلی، شبکه‌ی عصبی مصنوعی، انفیس و سطح پاسخ پردازش شدند. نمونه‌های مورد آزمایش شامل روغن ذرت خالص، روغن ذرت دارای 25 درصد پالم، روغن ذرت 50 درصد و روغن ذرت 75 درصد است. براساس نتایج به‌دست‌آمده دقت طبقه‌بندی در روش‌های PCA،ANN،ANFIS و RSM به‌ترتیب برابر 87‌، 71.9، 93.8 و 96.9 درصد است و باتوجه به این نتایج روش سطح پاسخ روشی مناسب‌تری برای تشخیص درصد پالم در روغن ذرت می‌باشد. با مدل ارائه شده می‌توان میزان روغن پالم بیش از حد مجاز استفاده شده را تشخیص داد.