نوع مقاله: مقاله علمی- پژوهشی

نویسندگان

1 دانشگاه تهران

2 دانشگاه شهرکرد

چکیده

بو یکی از مهم‌ترین ویژگی‌های حسی میوه‌ها به حساب می‌آید و نسبت به تغییرات ترکیبات آن‌ها حساسیت ویژه‌ای دارد. گازهایی که در بو و طعم میوه‌ها دخالت می‌کنند، حاصل فعالیت‌های متابولیکی میوه در زمان‌های رسیدگی، برداشت، پس از برداشت و انبار می‌باشند. بنابراین بوی ساطع شده از میوه در طول نگهداری آن نیز تغییر می‌کند. ماشین بویایی (بینی الکترونیکی) با شبیه سازی حس بویایی انسان، تشخیص و درک بوهای پیچیده را با استفاده از آرایه‌ای از حسگرهای شیمیایی انجام می‌دهد. در این پژوهش سامانه ماشین بویایی کم هزینه‌ای بر پایه شش حسگر نیمه هادی اکسید فلزی (MOS) طراحی، توسعه و پیاده‌سازی شد و قابلیت آن به‌منظور پایش رد اثر رسیدگی موز مورد مطالعه قرار گرفت. اجزای اصلی سامانه طراحی شده شامل سامانه دریافت نمونه، آرایه حسگرهای گازی، سامانه تحصیل داده، الگوریتم‌های تشخیص الگو و تحلیل داده می‌باشد. تحلیل تفکیک خطی (LDA) به‌منظور طبقه بندی ویژگی‌های استخراجی از سیگنا‌ل‌های ماشین بویایی استفاده گردید و براساس نتایج حاصل شده، دقت در طبقه بندی دوره رسیدگی 3/97% به‌دست آمد. نتایج به‌دست آمده توانایی بالای ماشین بویایی را در تمایز بین مراحل دوره رسیدگی نشان داد که می‌توان این سامانه را به‌عنوان یک ابزار غیر مخرب برای پایش و کنترل کیفیت در طول نگهداری موز به‌کار برد.

کلیدواژه‌ها

عنوان مقاله [English]

Design, Construction and Performance Evaluation of a Metal Oxide Semiconductor (MOS) Based Machine Olfaction (Electronic Nose) for Monitoring of Banana Ripeness

نویسندگان [English]

  • A Sanaeifar 1
  • S. S Mohtasebi 1
  • M Ghasemi-Varnamkhasti 2
  • H Ahmadi 1

1 University of Tehran

2 Shahrekord University

چکیده [English]

Aroma is one of the most important sensory properties of fruits and is particularly sensitive to the changes in fruit compounds. Gases involved in aroma of fruits are produced from the metabolic activities during ripening, harvest, post-harvest and storage stages. Therefore, the emitted aroma of fruits changes during the shelf-life period. The electronic nose (machine olfaction) would simulate the human sense of smell to identify and realize the complex aromas by using an array of chemical sensors. In this research, a low cost electronic nose based on six metal oxide semiconductor (MOS) sensors were designed, developed and implemented and its ability for monitoring changes in aroma fingerprint during ripening of banana was studied. The main components are used in the e-nose system include sampling system, an array of gas sensors, data acquisition system and an appropriate pattern recognition algorithm. Linear Discriminant Analysis (LDA) technique was used for classification of the extracted features of e-nose signals. Based on the results, the classification accuracy of 97/3% was obtained. Results showed the high ability of e-nose for distinguishing between the stages of ripening. It is concluded that the system can be considered as a nondestructive tool for quality control during banana shelf-life.

کلیدواژه‌ها [English]

  • Linear Discriminant Analysis
  • Ripeness
  • Machine olfaction
  • Banana
  • Metal oxide semiconductor

  1. Benedetti, S., A. Spinardi, I. Mignani, and S. Buratti. 2010. Non-destructive evaluation of sweet cherry (prunus avium l.) ripeness using an electronic nose. Italian Journal of Food Science 22: 298-304.
  2. Bhattacharyya, N., and R. Bandhopadhyay. 2010. Electronic nose and electronic tongue. PP 73-100 in, S. N. Jha eds. Nondestructive Evaluation of Food Quality. Springer Berlin Heidelberg.
  3. Brezmes, J., M. L. Fructuoso, E. Llobet, X. Vilanova, I. Recasens, J. Orts, G. Saiz, and X. Correig. 2005. Evaluation of an electronic nose to assess fruit ripeness. Sensors Journal, IEEE 5: 97-108.
  4. Cho, Y. J., and S. Kang. 2011. Emerging technologies for food quality and food safety evaluation. Taylor & Francis, US.
  5. Dymerski, T. M., T. M. Chmiel, and W. Wardencki. 2011. Invited review article: An odor-sensing system-powerful technique for foodstuff studies. Review of Scientific Instruments 82: 1-32.
  6. Ghasemi-Varnamkhasti, M. 2011. Design, development and implementation of a metal oxide semiconductor (MOS) based machine olfaction system and bioelectronic tongue to quality change detection of beers coupled with pattern recognition analysis techniques. PhD Thesis, University of Tehran, Karaj, Iran. (In Farsi).
  7. Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, J. Lozano, H. Ahmadi, S. H. Razavi, and A. Dicko. 2011. Aging fingerprint characterization of beer using electronic nose. Sensors and Actuators B: Chemical 159: 51-59.
  8. Hernandez Gomez, A., J. Wang, G. Hu, and A. Garcia Pereira. 2007. Discrimination of storage shelf-life for mandarin by electronic nose technique. LWT-Food Science and Technology 40: 681-689.
  9. Llobet, E., E. L. Hines, J. W. Gardner, and S. Franco. 1999. Non-destructive banana ripeness determination using a neural network-based electronic nose. Measurement Science and Technology 10: 538-548.
  10. Pearce, T. C., S. S. Schiffman, H. T. Nagle, and J. W. Gardner. 2003. Handbook of machine olfaction: Electronic nose technology: Wiley-VCH Velag GmbH & Co. KGaA, Wheinheim, UK.
  11. Peris, M., and L. Escuder-Gilabert. 2009. A 21st century technique for food control: Electronic noses. Analytica Chimica Acta 638: 1-15.
  12. Siebert, K. J. 2001. Chemometrics in brewing-A review. Journal of the American Society of Brewing Chemists 59: 147-156.
  13. Tassoni, A., C. B. Watkins, and P. J. Davies. 2006. Inhibition of the ethylene response by 1-MCP in tomato suggests that polyamines are not involved in delaying ripening, but may moderate the rate of ripening or over-ripening. Journal of Eperimental Botany 57: 3313-3325.
  14. Torri, L., N. Sinelli, and S. Limbo. 2010. Shelf life evaluation of fresh-cut pineapple by using an electronic nose. Postharvest Biology and Technology 56: 239-245.
  15. Zakaria, A., A. Y. M. Shakaff, M. J. Masnan, F. S. A. Saad, A. H. Adom, M. N. Ahmad, M. N. Jaafar, A. H. Abdullah, and L. M. Kamarudin. 2012. Improved maturity and ripeness classifications of magnifera indica cv. harumanis mangoes through sensor fusion of an electronic nose and acoustic sensor. Sensors 12: 6023-6048.
  16. Zhang, H., J. Wang, S. Ye, and M. Chang. 2012. Application of electronic nose and statistical analysis to predict quality indices of peach. Food and Bioprocess Technology 5: 65-72.