محمدرضا زارع زاده؛ محمد ابونجمی؛ مهدی قاسمی ورنامخواستی؛ فاطمه آذری کیا
چکیده
روغن زیتون فرابکر همیشه مورد توجه و خواست استفادهکنندگان میباشد؛ از اینرو در روغنهای زیتونِ بکر و فرابکر، تقلب، با افزودن روغنهای با ارزش غذایی و قیمت کمتر مثل کانولا، آفتابگردان، تفاله زیتون و غیره مشاهده میگردد. در این پژوهش با استفاده از فناوری ماشین بویایی روغن زیتون فرابکر، از نمونههای تقلبی تهیه شده با روغنهای ...
بیشتر
روغن زیتون فرابکر همیشه مورد توجه و خواست استفادهکنندگان میباشد؛ از اینرو در روغنهای زیتونِ بکر و فرابکر، تقلب، با افزودن روغنهای با ارزش غذایی و قیمت کمتر مثل کانولا، آفتابگردان، تفاله زیتون و غیره مشاهده میگردد. در این پژوهش با استفاده از فناوری ماشین بویایی روغن زیتون فرابکر، از نمونههای تقلبی تهیه شده با روغنهای متداول در بازار و با هفت مدل طبقهبندی مختلف تشخیص داده شد. نمونهها در شش دستهی "خالص و 5، 10، 20، 35 و 50 درصد تقلب" و هر تیمار در هفت نمونه تهیه و آزمایشها در هفت تکرار انجام گرفت. سامانه بویایی از هشت حسگر متفاوت تشکیل شده که برای هر کدام نمودار تغییر ولتاژ بر حسب زمان تهیه و از آن نمودار چهار ویژگی "کمینه، بیشینه، میانگین و اختلاف بیشینه و کمینه" در مدلهای طبقهبندی استفاده گردید. به این ترتیب تعداد 32 ویژگی برای هشت حسگر استخراج و مورد تجزیه و تحلیل قرار گرفت. به جهت تاثیر دمای نمونهها در خروجی سامانه، تمام آزمایشها در دمای ثابت انجام گرفتند. طبقهبندی نتایج با چهار الگوریتم طبقهبندی "K-همسایگی نزدیک، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و آدابوست" صورت پذیرفت. 70% دادهها برای آموزش و 30% برای آزمون استفاده گردید. از بین 32 ویژگی، ویژگی "کمینه مقدار خروجی سنسور TGS-822" بیشترین تاثیر را در دقت طبقهبندی داشتند. نتایج نشان داد روش طبقهبندی همسایگی نزدیک با بهترین دقت (89/89%) و پس از آن روش ماشین بردار پشتیبان (52/86%) بیشترین دقت طبقهبندی را دارا بودند.