پیاده‌سازی سامانه ماشین بویایی به‌منظور تشخیص تقلب در روغن حیوانی گاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

• فردین ایاری ¹
• اسماعیل میرزائی قلعه ¹
• حکمت ربانی ¹
• کبری حیدربیگی ²

¹ گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی، کرمانشاه، ایران

² گروه مهندسی مکانیک بیوسیستم، دانشگاه ایلام، ایلام، ایران

https://doi.org/10.22067/jam.v10i2.67524

چکیده

تقلب در محصولات لبنی نه تنها تهدیدی جدی برای سلامت انسان است بلکه زیان‌های اقتصادی متعددی را نیز به دنبال دارد. ازجمله تقلب‌های رایج در روغن حیوانی گاوی، ترکیب کردن آن با روغن نباتی و روغن دنبه است. در این پژوهش، یک سامانه‌ی ماشین بویایی بر پایه هشت حسگر نیمه‌هادی اکسـید فلـزی ساخته شد و قابلیت آن در تشخیص مقادیر مختلف ترکیب روغن نباتی و روغن دنبه در روغن حیوانی گاوی خالص (10، 20، 30، 40 و 50 درصد) مورد بررسی قرار گرفت. بردار ویژگی‌ها از سیگنال پاسخ حسگرها به ترکیبات فرار و معطر انواع روغن‌ها، استخراج و به‌عنوان ورودی مدل تشخیص الگو استفاده شد. هم‌چنین جهت طبقه‌بندی ویژگی‌های استخراج‌شده از روش تحلیل تفکیک درجه دوم (QDA) استفاده شد. نتایج حاصل از آنالیز مؤلفه‌های اصلی با دو مؤلفه‌ی PC1 و PC2، به‌ترتیب واریانس 98 و 97 درصد را برای ترکیب روغن حیوانی با روغن نباتی و روغن دنبه نشان داد. همچنین نمودارهای لودینگ و رادار نشان داد که بوی روغن حیوانی گاوی بیش‌ترین و کم‌ترین تأثیر را به‌ترتیب روی حسگر TGS822 و حسگر MQ135 دارد. همچنین بوی روغن نباتی و روغن دنبه بیش‌ترین و کم‌ترین تأثیر را به‌ترتیب روی حسگرهای MQ136 و MQ135 داشت. با توجه به نتایج به‌دست آمده از نمودار رادار مشخص شد که حسگر MQ135 کمترین نقش را در طبقه‌بندی دارد. هم‌چنین براساس نتایج حاصل از طبقه‌بندی، دقت طبقه‌بندی برای روغن حیوانی مخلوط با روغن نباتی و روغن دنبه به‌ترتیب برابر 24/95 و 15/97 درصد به‌دست آمد.

کلیدواژه‌ها

• حسگرهای نیمه هادی
• روغن حیوانی گاوی
• ماشین بویایی
• مولفه های اصلی

20.1001.1.22286829.1399.10.2.2.0

Open Access

©2020 The author(s). This article is licensed under Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source.

مراجع

Amrutha Kala, A. 2013. Detection of possible adulteration in commercial ghee samples using low‐resolution gas chromatography triglyceride profiles. International Journal of Dairy Technology 66: 346-351.

2. Bahrami, G. R., H. Rahi, and Z. Pyravi-Vanak. 2000. Change in fatty acids composition of milk products during the traditional Ghee-making process. Journal of Kerman University of Medical Sciences 7: 14-19.

3. Cevoli, C., L. Cerretani, A. Gori, M. Caboni, T. G. Toschi, and A. Fabbri. 2011. Classification of Pecorino cheeses using electronic nose combined with artificial neural network and comparison with GC–MS analysis of volatile compounds. Food Chemistry 129: 1315-1319.

4. Doleman, B. J., and N. S. Lewis. 2001. Comparison of odor detection thresholds and odor discriminablities of a conducting polymer composite electronic nose versus mammalian olfaction. Sensors and Actuators B: Chemical 72: 41-50.

5. Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, and S. Balasubramanian. 2009. Meat quality assessment by electronic nose (machine olfaction technology). Sensors 9: 6058-6083.

6. Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, H. Ahmadi, and S. H. Razavi. 2015. From simple classification methods to machine learning for the binary discrimination of beers using electronic nose data. Engineering in Agriculture, Environment and Food 8: 44-51.

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. Hai, Z., and J. Wang. 2006. Detection of adulteration in camellia seed oil and sesame oil using an electronic nose. European Journal of Lipid Science and Technology 108: 116-124.

9. Heidarbeigi, K., S. S. Mohtasebi, A. Foroughirad, M. Ghasemi-Varnamkhasti, Sh. Rafiee, and K. Rezaei. 2015. Detection of adulteration in saffron samples using electronic nose. International Journal of Food Properties 18: 1391-1401.

10. Jirankalgikar, N. M., and S. De. 2014. Detection of tallow adulteration in cow ghee by derivative spectrophotometry. Journal of Natural Science, Biology, and Medicine 5: 317.

11. Kiani, S., S. Minaei, and M. Ghasemi-Varnamkhasti. 2016. Application of electronic nose systems for assessing quality of medicinal and aromatic plant products: A review. Journal of Applied Research on Medicinal and Aromatic Plants 3: 1-9.

12. Khairalipour, K., and A. Prma. 2015 .Using linear (LDA) and quadratic (QDA) discriminant analysis to classify shape features of cucumber fruit. Eighth National Conference on Agricultural Research Findings. (In Farsi).

13. Loutfi, A., S. Coradeschi, G. K. Mani, P. Shankar, and J. B. B. Rayappan. 2015. Electronic noses for food quality: A review. Journal of Food Engineering 144: 103-111.

14. Marina, M., Y. B. Che Man, and I. Amin. 2010. Use of the SAW Sensor Electronic Nose for Detecting the Adulteration of Virgin Coconut Oil with RBD Palm Kernel Olein. Journal of the American Oil Chemists Society. 87: 263-270.

15. Mildner-Szkudlarz, S., and H. H. Jeleń. 2008. The potential of different techniques for volatile compounds analysis coupled with PCA for the detection of the adulteration of olive oil with hazelnut oil. Food Chemistry 110: 751-761.

16. Oh, K., F. B. Hu, J. E. Manson, M. J. Stampfer, and W. C. Willett. 2005. Dietary fat intake and risk of coronary heart disease in women: 20 years of follow-up of the nurses' health study. American Journal of Epidemiology 161: 672-679.

17. Oliveros, M. C. C., J. L. P. Pavon, C. G. A. Pinto, M. E. F. Laespada, B. M. Cordero, and M. Forina. 2002. Electronic nose based on metal oxide semiconductor sensors as a fast alternative for the detection of adulteration of virgin olive oils. Analytica Chimica Acta 459: 219-228.

18. Pearce, T. C., S. S. Schiffman, H. T. Nagle, and J. W. Gardner. 2003. Handbook of machine olfaction: electronic nose technology. John Wiley & Sons.

19. Sanaeifar, A., S. S. Mohtasebi, M. Ghasemi-Varnamkhasti, and H. Ahmadi. 2015. Designing, manufacturing and evaluating the function of the olfactory machine (electronic nose) based on metal oxide semiconductor (MOS) sensors to monitor banana. Journal of Agricultural Machinery 5 (1): 111-121. (In Farsi)

20. Son, H. J., J. H. Kang, E. J. Hong, C. L. Lim, J. Y. Choi, and B. S. Noh. 2009. Authentication of sesame oil with addition of perilla oil using electronic nose based on mass spectrometry. Korean Journal of Food Science and Technology 41: 609-614.

21. Tajima, A., S. Kawahara, K. Shin, K. Imaizumi, T. Nakamura, and T. Ito. 1995. Is beef tallow really hazardous to health? Nutrition Research 15: 1429-1436.

22. Tohidi, M., M. Ghasemi-Varnamkhasti, V. Ghafarinia, M. Bonyadian, and S. S. Mohtasebi. 2018. Development of a metal oxide semiconductor-based artificial nose as a fast, reliable and non-expensive analytical technique for aroma profiling of milk adulteration. International Dairy Journal 77: 38-46.

23. Varidi, M. J., M. Varidi, M. Vajdi, and A. Sharifpour. 2018. Design, development and application of electronic nose instrument to rapidly detect spoilage of air, vacuum and modified atmosphere packaged camel minced meat. Food Science and Technology: 15(74): 243-254.