این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و صنایع غذایی ایران، جلد ۲۱، شماره ۱۵۱، صفحات ۱۳-۳۱
عنوان فارسی پیش‌بینی ویژگیهای بافتی پنیر موزارلای کم چرب با استفاده از تصویربرداری فراطیفی به کمک روش‌های یادگیری ماشین
چکیده فارسی مقاله با تغییر در شدت عملیات مکانیکی-حرارتی متفاوت، تنوع فرمولاسیون و شرایط نگهداری، 36 نمونه پنیر موزارلا کم­چرب تهیه و سختی چسبندگی، انسجام، فنریت، حالت صمغی و قابلیت جویدن آنها توسط تجزیه و تحلیل مشخصات بافت اندازه­گیری و با استفاده از تجزیه و تحلیل تک­متغیره در قالب فاکتوریل در نرم­افزار SPSS با یکدیگر مقایسه شد. سپس تصویربرداری از همان نمونه­ها با دوربین فراطیفی در محدوده 1000-400 نانومتر با دوربین فراطیفی انجام و پس از پیش­پردازش طیف­ها و جداسازی طول موج­های مؤثر به کمک الگوریتم­های انتخاب ویژگی، مدلسازی با الگوریتم رگرسیون خطی چندگانه، رگرسیون حداقل مربعات جزئی، ماشین بردار پشتیبان با کرنل خطی، شبکه عصبی پرسپترون چندلایه، جنگل­های تصادفی و الگوریتم رأی اکثریت در نرم­افزار پایتون انجام و کارائی مدل­های ارزیابی گردید. نتایج نشان داد که با تشدید عملیات مکانیکی-حرارتی، سختی، فنریت، حالت صمغی و قابلیت جویدن و انسجام افزایش و چسبندگی کاهش پیدا کرد (05/0< P). افزودن اسید و جانشین­شونده­های چربی سبب کاهش سختی، انسجام، فنریت و قابلیت جویدن شده و حالت صمغی و چسبندگی را افزایش دادند. الگوریتم رأی اکثریت، بیشترین کارایی را در پیش­بینی سختی (878/0=R2p، 52/2606= RMSEp و 12/2=RPD) بروز داد و توانست انسجام موزارلا را با کارائی بالاتری نسبت به سایر الگوریتم­ها پیش­بینی نماید. رگرسیون خطی چندگانه در پیش­بینی چسبندگی کارائی نداشت، اما روش جنگل­های تصادفی با عملکرد بالا این ویژگی را پیش­بینی نمود (808/0=R2p، 49/56= RMSEp، 90/1=RPD). شبکه عصبی پرسپترون چندلایه با کمترین خطا، توانست فنریت (848/0= R2p 094/0= RMSEp، 12/2=RPD) و قابلیت جویدن (84/0=R2p، 21/1117= RMSEp، 96/1=RPD) موزارلا را با عملکرد مناسب پیش­بینی نماید. تمام روش­ها به جز جنگل­های تصادفی توانستند با کارائی بالا حالت صمغی را پیش­بینی کنند. در این مطالعه مشخص شد عوامل فرایند تأثیر معنی­داری بر ویژگی­های بافتی داشتند و روش تصویربرداری تصویربرداری فراطیفی یک روش جایگزین مناسب برای تخمین ویژگی­های بافتی پنیر موزارلا تشخیص داده شد.
 
کلیدواژه‌های فارسی مقاله ،واژگان کلیدی، موزارلا کم‌چرب،ویژگی‌های بافتی،تصویربرداری فراطیفی،یادگیری ماشین
عنوان انگلیسی Prediction of textural characteristics in low-fat mozzarella cheese by Hyperspectral imaging using machine learning methods
چکیده انگلیسی مقاله Changing the thermos-mechanical properties, variety of formulation and storage conditions, 36 samples of low-fat mozzarella cheese were produced and their hardness, adhesiveness, cohesiveness, springiness, cohesiveness, gumminess and chewiness were evaluated by TPA followed by analyzing data using completely randomized factorial design with univariate analysis through IBM SPSS Statistics. 26. Then, Imaging of the same samples with a Hyperspectral camera in the range of 400-1000 nm as well as pre-processing the spectra and preferring the important wavelengths by feature selection algorithms to developed the calibration models including multiple linear regression algorithms, partial least squares regression, support vector machine with a linear kernel, multilayer perceptron neural network, random forests and majority voting algorithm was performed in Python software followed by the performance of models were evaluated. Results showed that the more increased the stretching time in hot water from 2 to 8 minutes, the more the hardness, springiness, gumminess and chewiness and cohesiveness increased, but adhesiveness was decreased. The majority vote algorithm (VOTING) revealed the highest performance in hardness prediction (R2p=0.878, RMSEp=2606.52 and RPD=2.12) and was able to predict the cohesiveness of mozzarella with higher accuracy more than other algorithms. Multiple linear regression couldn’t predict the adhesiveness properly, but random forest method with high performance predicted this feature (R2p=0.808, RMSE=56.49, RPD=1.90). The multi-layer perceptron neural network with the least error, predicted springiness (R2p = 0.848, RMSEp = 0.094, RPD = 2.12) and chewiness (R2p = 0.84, RMSEp = 1117.21, RPD = 1.96) with high accuracy. All methods except random forest were able to predict the gumminess of mozzarella with high efficiency. In this study, it was cleared that the process conditions had significant effects on the textural characteristics and the Hyperspectral imaging was found to be a suitable alternative method for estimating the textural characteristics of mozzarella cheese.
 
کلیدواژه‌های انگلیسی مقاله Key words, low-fat mozzarella,textural characteristics,Hyperspectral imaging,machine learning
نویسندگان مقاله مهدی کاشانی نژاد | Mahdi Kashaninejad
Professor, Department of Food Process Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran,*Corresponding author, E-mail address: kashani@gau.ac.ir, Beheshti Ave., Gorgan. 49138-15739, Iran Tel-fax: +98(17) 32423080
استاد گروه مهندسی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

محمدامان ضیائی فر | Aman Mohammad Ziaiifar
Department of Food Process Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
گروه مهندسی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

علیرضا سلیمانی پور | Alireza Soleimanipour
Department of Biosystems Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

ناصر بهنام پور | Naser Behnampour
Health Management and Social Development Research Centre, Department of Biostatistics and Epidemiology, Golestan University of Medical Sciences, Gorgan, Iran
مرکز تحقیقات مدیریت سلامت و توسعه اجتماعی، گروه آمار زیستی و اپیدمیولوژی، دانشگاه علوم پزشکی گلستان

نشانی اینترنتی http://fsct.modares.ac.ir/browse.php?a_code=A-10-78714-1&slc_lang=fa&sid=7
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات