پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 115,001,464 |
| تعداد دریافت فایل اصل مقاله | 89,680,140 |
امکان سنجی تشخیص واریتههای مختلف نیشکر با تکنیک بینی‌الکترونیک در شربت نیشکر | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 1، دوره 51، شماره 1، فروردین 1399، صفحه 1-10 اصل مقاله (1.09 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2019.287027.665209 | ||
| نویسندگان | ||
| عبداله ادیب زاده1؛ حسن ذکی دیزجی* 2؛ ناهید عقیلی ناطق3 | ||
| 1دانشجوی کارشناسی ارشد رشته مکانیک بیوسیستم گرایش تکنولوژی پس از برداشت. گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 2استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| 3استادیار، گروه ماشینهای کشاورزی، دانشکده کشاورزی سنقر، دانشگاه رازی، کرمانشاه، ایران. | ||
| چکیده | ||
| نیشکر یکی از مهمترین گیاهان صنعتی است که در ایران اولین منبع تولید شکر (در حدود 40 الی50 درصد) است. صنعت شکر با توجه به تامین انرژی روزانه شهروندان از نقشی کلیدی در میان صنایع مختلف کشور برخوردار میباشد. شکر علاوه بر مصارف خانگی دارای اهمیت ویژه‌ای در صنعت غذا به دلیل خاصیت شیرین کنندگی و حجم دهندگی میباشد. مقدار قند نیشکر اغلب در حد 15-10 درصد و در مواردی تا 17 درصد میباشد. جهت شروع برداشت عوامل مختلفی نظیر واریته و تاریخ کاشت و یا برداشت سال گذشته مهم میباشد. از طرفی نیشکر قابل انبار کردن و ذخیره‌سازی در کارخانه نیست و مواد قندی آن سریعاً در اثر نگهداری تجزیه می‌گردند و وزن نیشکر در اثر از دست دادن رطوبت کم می‌شود. هرچه نیشکر تازه‌تر به مصرف کارخانه برسد، بهتر خواهد بود. لذا از دستگاه بینی الکترونیک استفاده گردید تا با آزمایش شربت‌های نیشکر و ارتباط آن با بوهای متصاعد شده از آن بتوان نوع واریته را جهت برداشت به موقع نیشکر تشخیص داد. از مزارع نمونه نیشکر چهار رقم مطرح (CP57، CP69، IRC99-02، و CP48) انتخاب گردیدند. از روش‌های تحلیل تفکیک خطی (LDA)، تجزیه مولفه‌های اصلی (PCA) و شبکه‌های عصبی (ANN) برای تشخیص واریتههای مختلف نیشکر استفاده شد. نتایج نشان داد که هر سه روش دقت بالایی در کلاس بندی رقم دارند. اما روش‌های LDA و PCA نسبت به روش ANN نتایج بهتری داشتند. به طوری که برای تشخیص واریتههای نیشکر دقت طبقه‌بندی آن‌ها به ترتیب 98.33% ، 97% و 96.7% بود. نتایج به دست آمده توانایی بالای ماشین بویایی را در تمایز بین واریتههای نیشکر نشان داد که می‌توان ایـن سـامانه را به عنوان یک ابزار سریع و کم هزینه در صنعت نیشکر به کار برد. | ||
| کلیدواژه‌ها | ||
| نیشکر؛ ماشین بویایی؛ تحلیل تفکیک خطی؛ شبکه عصبی و تجزیه مولفه های اصلی | ||
| عنوان مقاله [English] | ||
| Feasibility of Detecting Sugarcane Varieties by Electronic Nose Technique in Sugarcane Syrup | ||
| نویسندگان [English] | ||
| Abdollah Adibzadeh1؛ Hassan Zaki Dizaji2؛ Nahid Aghili Nategh3 | ||
| 1M. Sc. Student of Biosystem Mechanics-Post Harvest Technology, Department of Biosystems Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran. | ||
| 2Assistant Professor, Department of Biosystems Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 3Assistant Professor, Department of Agricultural Machinery Engineering, Sonqor Agriculture Faculty, Razi University, Kermanshah, Iran. | ||
| چکیده [English] | ||
| Sugar cane is one of the most important industrial plants which is the first source of sugar production in Iran (about 40-50%). The sugar industry plays a key role among the various industries of the country with the daily supply of energy to the citizens. In addition to household consumption, sugar is of particular importance in the food industry because of its sweetening and volume properties. Sugarcane content is often in the range of 10-15% and in some cases up to 17%. Various factors such as variety and date of planting or harvesting of last year are important to start harvesting. On the other hand, Sugarcane cannot be stored in the factory and its sugars factors are decomposed quickly by storage and sugar cane weight decreases due to loss of moisture. It would be better if the factory consumes more fresh sugarcane. Therefore, an electronic nose instrument was used to test the variety of sugarcane syrup and its association with the odors emitted from it to identify the variety of sugarcane for harvesting time. Four sugarcane varieties (CP57, CP69, IRC99-02, and CP48) were selected from the sugarcane sample fields. Linear discriminant analysis (LDA), principal component analysis (PCA) and neural networks (ANN) were used to detect the different sugarcane varieties. The results showed that all three methods had high accuracy in variety classification. But the LDA and PCA methods performed better than the ANN method. So that, the classification accuracy of sugarcane varieties was 98.33%, 97% and 96.7%, respectively. The results showed the high ability of the olfactory machine to diagnose between the sugarcane varieties, which can be used as a rapid and low cost instrument in the sugarcane industry. | ||
| کلیدواژه‌ها [English] | ||
| Sugarcane, Machine Olfaction, linear discriminant analysis, neural network and principal component analysis | ||
| مراجع | ||
|
Anonymous, (2015). National Iranian Standard No. 69, White Sugar - Properties and Test Methods. (In Farsi). Esfandyari, A., Alkasir, J., nad Habibian, M. (2012). Evaluating the accuracy of supervised classification algorithms SVM, SAM, NN On the detection of sugarcane varieties on Hyperion spectral images. Proceedings of 20th national symposium of Geomatics, ran National Cartographic Center, Tehran, Iran. (In Farsi). Esteki, M., Farajmand, B., Kolahderazi, Y., & Simal-Gandara, J. (2017). Chromatographic Fingerprinting with Multivariate Data Analysis for Detection and Quantification of Apricot Kernel in Almond Powder. Food Anal Method, 10, 3312-3320. Gutierrez‐Osuna, R., Nagle, H.T., Kermani, B. and Schiffman, S.S. (2002). Signal conditioning and preprocessing, Handbook of Machine Olfaction: Electronic Nose Technology, 105-132. Hai Z., Wang J. (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. Hajinejad M., Mohtesabi S., Ghasemi Varnamekhati M., & Aghbashloo M. (2017). Detecting Adulteration in Lotus Honey Using a Machine Olfactory System. Journal of Agricultural Machinery, 7 (2), 439-450. (In Farsi). Https://doi.org/10.22067/jam.v7i2.52910 Hernandes Gomez, A, J. Wang, G. Hu, and A. Garcia Pereira. 2007. Discrimination of storage shelf-life for mandarin by electronic nose technique. LWF-Food Science and Technology 40: 681-689. James G; Blackburn F. (2004). Sugarcane. 2nd ed. Oxford Blackwell Science Keramat-Jahromi, M., Mohtasebi, S.S., Mousazadeh, H., Ghasemi-Varnamkhasti, M., Rafiee, Sh., Savand-Roumi, E. (2019) Evaluation of a Machine Olfaction to Classify the Quality of Dried Date Fruit by Electrohydrodynamic, Hot Air, and the Hybrid Drying Techniques. Iranian Biosystems Emgineering journal. 50(1). 241-251. (In Farsi). 10.22059/IJBSE.2018.248873.665023 Kiani, S., Minaei, S., & Ghasemi-Varnamkhasti, M. (2018). Real-time aroma monitoring of mint (Mentha spicata L.) leaves during the drying process using electronic nose system. measurement., 124, 447-452 Sanaeifar A., Mohtesabi S., Ghasemi Varnamekhati M., & Ahmadi H. (2015). Design, manufacture, and performance evaluation of an olfactory machine based on metal oxide semiconductor (MOS) sensors for monitoring banana ripening. . Journal of Agricultural Machinery, 5 (1), 111-121. (In Farsi). https://doi.org/10.22067/jam.v5i1.27159 Sanaeifar, A., ZakiDizaji, H., Jafari, A., Guardia, M.d. (2017). Early detection of contamination and defect in foodstuffs by electronic nose: A review. TrAC Trends in Analytical Chemistry 97, 257-271. Scott, S.M., D. James & Z. Ali. (2006). Data analysis for electronic nose systems. Microchimica Acta 156(3): 183-207. Shabani, P., Izadi, Z., Ghasemi Varnamekhati, M., Tohidi, M. And Rizzi, S., (2018). Olfactory machine system,an effective solution for detection of adulteration in rosewater, The journal of Innovative Food Technologies, 6(1) 75-89. (In Farsi). DOI: http://dx.doi.org/ 10.22104/JIFT. 2018.2940.1712 Shushtari M.B., Ahmadian, S. and Asfiae, Gh.A. (2008). Sugarcane in Iran. Ayiizh Pub., Tehran. Soares, L., Galvao, A., Formagio, R.& Tizssot ,D. (2005).Discrimination sugarcane varieties Southeastern Brazil with EO-1 Hyperion Data. Remote Sensing of Environment 94 (2005)523–534 Varmuza K & Filzmoser P. (2009). Introduction to multivariate statistical analysis in chemometrics. 1st Edition. CRC Press, Boca Raton. pp 1-336. Ghasemi-Varnamkhasti, M., S. S. Mohtasebi, M. Siadat, J. Lozano, H. Ahmadi, S. H. Razvi, and A. Dicko. 2011. Aging fingerprint characterization of beer using electronic nose. Sensors and Actuators B: Chemical 159: 51-59. Yang, H.F., Wang S.L; Yu S.J., Zeng X.A. & Sun D.W. (2014). Characterization and semi quantitative analysis of volatile compounds in six varieties of sugarcane juice. International journal of food engineering 10(4), 821-828. | ||
|
آمار تعداد مشاهده مقاله: 300 تعداد دریافت فایل اصل مقاله: 252 |
||