این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۴۷، شماره ۴، صفحات ۷۶۱-۷۷۰
عنوان فارسی ساخت و توسعه یک سامانه‌ی ماشین بویایی در ترکیب با روش‌های شناسایی الگو برای تشخیص تقلب فرمالین در شیر خام
چکیده فارسی مقاله تقلب در شیر و دیگر محصولات لبنی نه تنها یک تهدید جدی برای سلامت انسان است بلکه زیان­های اقتصادی متعددی را نیز به دنبال دارد. از جمله تقلبات رایج در شیر خام، استفاده از مواد بازدارنده بار میکروبی است. در این پژوهش، یک سامانه­ی ماشین بویایی (بینی الکترونیکی) بر پایه هشت حسگر نیمه هادی اکسـید فلـزی (MOS) ساخته شد و قابلیت آن در تشخیص مقادیر مختلف فرمالین در شیر خام (0، 05/0، 1/0، 2/0 و 3/0 درصد) مورد بررسی قرار گرفت. بردار ویژگی­ها از سیگنال پاسخ حسگرها استخراج و به عنوان ورودی مدل­های تشخیص الگو استفاده شد. بر اساس نتایج حاصل، آنالیز مؤلفه­های اصلی با دو مولفه­ی PC1 و PC2، % 93 از واریانس داده­ها را پوشش داد. در مجموعه­ی حسگری، حسگرهای MQ4، FIS، TGS822 و TGS2620 بالاترین مقادیر ضریب لودینگ و حسگر TGS2602 کمترین مقدار این ضریب را به خود اختصاص دادند. همچنین استفاده از روش تحلیل تفکیک خطی، دقت طبقه­بندی  1/80% را نشان داد. با کاربرد ماشین بردار پشتیبان با تابع چندجمله­ای درجه سه، دقت آموزش و اعتبارسنجی طبقه­بندی به ترتیب 100 %و  91/90 % به دست آمد. دقت طبقه­بندی کل نیز با به کارگیری تکنیک شبکه­های عصبی مصنوعی  100% به دست آمد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Fabrication and development of a machine olfaction system combined with pattern recognition techniques for detecting formalin adulteration in raw milk
چکیده انگلیسی مقاله Adulteration in milk and other dairy products not only is a serious threat to human health but also leads to the economic losses in the dairy industry. Utilization of the materials reducing microbial load is a common adulteration. In this study, a machine olfaction (electronic nose) based on 8 metal oxide semiconductor (MOS) sensors was fabricated and developed and its capability to formalin detection in the raw milk was investigated. Feature vector was then extracted from the sensors' response and used as the inputs to pattern recognition models. Based on the obtained results, Principal Component Analysis (PCA) with two first PCs (PC1 and PC2) could describe 93 % of variance within data. In the sensor array, MQ4, FIS, TGS822, and TGS2620 sensors had the highest loading coefficient values whilst TGS2602 devoted the lowest loading value. Linear Discriminant Analysis (LDA) revealed the classification accuracy as 80.1 %. Support Vector Machine (SVM) with three order multinomial kernel function showed the training and validation accuracy values as 100% and 90.91%, respectively. Also, the full success rate was obtained for overall classification using the artificial neural network.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجتبی توحیدی |
دانشجوی دکتری

مهدی قاسمی ورنامخواستی | ghasemi varnamkhasti
استادیار گروه مهندسی مکانیک بیوسیستم دانشگاه شهرکرد
سازمان اصلی تایید شده: دانشگاه شهرکرد (Shahr kord university)

وحید غفاری نیا | ghaffari nia
عضو هیئت علمی گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر

سید سعید محتسبی | seyed saeed
استاد دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

مجتبی بنیادیان |
گروه بهداشت مواد غذایی، دانشکده دامپزشکی، دانشگاه شهرکرد
سازمان اصلی تایید شده: دانشگاه شهرکرد (Shahr kord university)

نشانی اینترنتی http://ijbse.ut.ac.ir/article_60273_0c28e4901ba1145cfa440fecddba3fbf.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1228/article-1228-343259.pdf
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