این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
فناوری های نوین غذایی، جلد ۱۰، شماره ۴، صفحات ۲۹۹-۳۱۷
عنوان فارسی تشخیص غیرمخرب بیاتی نان با استفاده از تصاویر فراطیفی
چکیده فارسی مقاله تصویربرداری فراطیفی، ترکیبی از فناوری تصویربرداری و طیف‌سنجی است که مقادیر زیادی از اطلاعات فضایی و طیفی را به‌طور همزمان ارائه می‌دهد، و امروزه به‌عنوان یک ابزار تشخیص غیرمخرب و سریع برای ارزیابی کیفیت و ایمنی مواد غذایی در حال گسترش است. در این پژوهش با استفاده از تصویربرداری فراطیفی، در محدوده طول موج nm400-950 و با وضوح کیفی nm 795/0، چگونگی فرایند بیات شدن نان و تاثیر آن بر رفتار نان بررسی شد. بعد از استخراج مولفه‌های اصلی، به منظور پیش‌بینی ویژگی‌های بافتی از سه روش مدل‌سازی PCR، PLSR و GRNN طی شش روز نگهداری استفاده شد؛ نتایج نشان دادند روش GRNN نسبت به دو روش دیگر دارای بیشترین مقادیر ضریب تشخیص R^2 برای دو ویژگی، ارتجاعیت و سفتی به ترتیب 96/0 و 94/0 و همچنین کمترین مقدار خطا RMSE برای دو ویژگی، پیوستگی و سفتی به ترتیب 11/0 و 32/0 می‌باشد که نشاندهنده توانایی مدل شبکه عصبی رگرسیون تعمیم‌یافته برای پیش‌بینی ویژگی‌های بافتی نان است.
کلیدواژه‌های فارسی مقاله بیاتی نان، تصویربرداری فراطیفی، ارزیابی غیرمخرب، شبکه عصبی رگرسیون تعمیم‌یافته،
عنوان انگلیسی Non-destructive detection of bread staleness using hyperspectral images
چکیده انگلیسی مقاله Hyperspectral imaging, a technology that combines imaging and spectroscopy, provides extensive spatial and spectral information, simultaneously. It is currently being developed as a non-destructive and rapid diagnostic tool for assessing food quality and safety. In this study, hyperspectral imaging was utilized to investigate the process of bread staleness and its effect on the behavior of the bread crumb within the wavelength range of 950-400 nm and with a resolution of 0.795 nm. Principal components were extracted and three modeling methods - PCR, PLSR, and GRNN - were employed to predict texture characteristics during six days of storage. Based on the findings of this study, it was observed that the General Regression Neural Network (GRNN) method demonstrated superior performance in terms of R2 values for both springiness and stiffness, with values of 0.96 and 0.94, respectively. Furthermore, the GRNN method also exhibited the lowest Root Mean Square Error (RMSE) values for cohesiveness and stiffness, with values of 0.11 and 0.32, respectively. This demonstrates the capability of the generalized regression neural network model to predict the textural characteristics of bread.
کلیدواژه‌های انگلیسی مقاله بیاتی نان, تصویربرداری فراطیفی, ارزیابی غیرمخرب, شبکه عصبی رگرسیون تعمیم‌یافته
نویسندگان مقاله سامان آبدانان مهدی زاده |
دانشیار دانشگاه علوم کشاورزی و منایع طبیعی خوزستان

محمد نوشاد |
دانشکده علوم و مهندسی صنایع غذایی دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

فاطمه نوری |
دانشجوی کارشناسی ارشد، گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی

نشانی اینترنتی https://jift.irost.ir/article_1326_31bc107d6b8a8bf55ad9525c7a0fc068.pdf
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