نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، بخش مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

2 استاد، بخش مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

3 دانشیار، بخش مهندسی علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

چکیده

رایحۀ عسل یکی از پارامترهای مهم در طبقه‌بندی عسل به‌حساب می‌آید و بوی آن بسته به گل‌های مختلف، موقعیت جغرافیایی و ترکیبات تشکیل‌دهندۀ عسل می‌تواند متفاوت باشد. هدف از این تحقیق توسعه و ارزیابی یک سامانۀ ماشین بویایی به‌عنوان روشی نوین، مقرون‌به‌صرفه، سریع و غیرمخرب جهت شناسایی تقلب در عسل بود. برای این منظور ارتباط بین گازهای سر فضای عسل‌های با درصدهای مختلف تقلب (خالص، 20 درصد شربت، 40 درصد شربت، 60 درصد شربت و 80 درصد شربت) مورد ارزیابی قرار گرفت. ماشین بویایی ساخته‌شده شامل 8 عدد حسگر نیمه‌هادی اکسید فلزی برای جمع‌آوری اطلاعات موجود در گازهای فضای فوقانی عسل بود. بعد از پیش‌پردازش داده‌های به‌دست‌آمده از ماشین بویایی مدل‌های تشخیص الگو جهت شناسایی تقلب مورداستفاده قرار گرفتند. اجزای اصلی سامانۀ طراحی‌شده شامل سامانۀ تحصیل داده، الگوریتم‌های تشخیص الگو و تحلیل داده می‌باشد. تحلیل مؤلفه‌های اصلی (PCA)، تجزیۀ خوشه‌ای (HCA)، تحلیل (آنالیز) و تفکیک‌کنندۀ خطی (LDA) روش‌هایی بودند که برای تحلیل داده‌های به‌دست‌آمده از ماشین بویایی، مورداستفاده قرار گرفتند. باتوجه‌به نتایج به‌دست‌آمده دقت تشخیص تقلب شامل 98/4 درصد واریانس به روش PCA، 99 درصد دقت طبقه‌بندی به روش HCA و 100 درصد قدرت طبقه‌بندی به روش LDA بود. نتایج نشان داد ماشین بویایی ساخته‌شده یک وسیلۀ کارآمد و قابل‌اطمینان در تشخیص تقلب عسل است.

کلیدواژه‌ها

Cabanero, A.I., Recio, J.L., & Ruperez, M. 2006. Liquid chromatography coupled to isotope ratio mass spectrometry: a new perspective on honey adulteration detection. Journal of Agricultural and Food Chemistry, 54(26):9719-9727.

Cordella, C., Militao, J.S.L.T., Clement, M.-C., Drajnudel, P., & Cabrol-Bass, D. 2005. Detection and quantification of honey adulteration via direct incorporation of sugar syrups or bee-feeding: preliminary study using high-performance anion exchange chromatography with pulsed amperometric detection (HPAEC-PAD) and chemometrics. Analytica Chimica Acta, 531(2):239-248.

Cordella, C., Faucon, J.-P., Cabrol-Bass, D., & Sbirrazzuoli, N. 2003. Application of DSC as a tool for honey floral species characterization and adulteration detection. Journal of Thermal Analysis and Calorimetry, 71(1):279-290.

Ezhilan, M., Nesakumar, N., Babu, K.J., Srinandan, C.S., & Rayappan, B.B. 2018. An electronic nose for royal delicious apple quality assessment-a tri-layer approach. Food Research International, 109:44-51.

Freitas, A.M.C., Parreira, C., & Vilas-Boas, L. 2001. The use of an electronic aroma-sensing device to assess coffee differentiation-comparison with SPME gas chromatography-mass spectrometry aroma patterns. Journal of Food Composition and Analysis, 14(5):513-522.

Gao, L., Liu, T., An, X., Zhang, J., Ma, X., & Cui, J. 2017. Analysis of volatile flavor compounds influencing Chinese-type soy sauces using GC–MS combined with HS-SPME and discrimination with electronic nose. Journal of Food Science and Technology, 54(1):130-143.

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(2):116-124.

Heidarbeigi, K., Mohtasebi, S.S., Foroughirad, A., Ghasemi-Varnamkhasti, M., Rafiee, S., & Rezaei, K. 2015. Detection of adulteration in saffron samples using electronic nose. International Journal of Food Properties, 18(7):1391-1401.

Huo, D., Wu, Y., Yang, M., Fa, H., Luo, X., & Hou, C. 2014. Discrimination of chinese green tea according to varieties and grade levels using artificial nose and tongue based on colorimetric sensor arrays. Food Chemistry, 145:639-645.

Kiani, S., Minaei, S., & Ghasemi-Varnamkhasti, M. 2017. Integration of computer vision and electronic nose as non-destructive systems for saffron adulteration detection. Computers and Electronics in Agriculture, 141:46-53.

Kiani, S., Minaei, S., & Ghasemi-Varnamkhasti, M. 2016. A portable electronic nose as an expert system for aroma-based classification of saffron. Chemometrics and Intelligent Laboratory Systems, 156:148-156.

Lammertyn, J., Veraverbeke, E.A., & Irudayaraj, J. 2004. zNose™ technology for the classification of honey based on rapid aroma profiling. Sensors and Actuators B: Chemical, 98(1):54-62.

Man, Y.B.C., Gan, H.L., NorAini, I., Nazimah, S.A.H., & Tan, C.P. 2005. Detection of lard adulteration in RBD palm olein using an electronic nose. Food Chemistry, 90(4):829-835.

Melucci, D., Bendini, A., Tesini, F., Barbieri, S., Zappi, A., Vichi, S., Conte, L., & Toschi, T.G. 2016. Rapid direct analysis to discriminate geographic origin of extra virgin olive oils by flash gas chromatography electronic nose and chemometrics. Food Chemistry, 204:263-273.

Morales, V., Corzo, N., & Sanz, M.L. 2008. HPAEC-PAD oligosaccharide analysis to detect adulterations of honey with sugar syrups. Food Chemistry, 107(2):922-928.

Oliveros, M.C.C., Pavon, J.L.P., Pinto, C.G.,  Laespada, M.E.F., Cordero, B.M., & Forina, M. 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(2):219-228.

Padovan, G.J, De Jong, D., Rodrigues, L.P., & Marchini, J. 2003. Detection of adulteration of commercial honey samples by the 13C/12C isotopic ratio. Food Chemistry, 82(4):633-636.

Pearce, T.C., Schiffman, S.S., Nagle, H.T., & Gardner, J.W. 2003. Handbook of machine olfaction: electronic nose technology. Wiley-VCH,Wheinheim.

Roy, R.B., Tudu, B., Shaw, L., Jana, A., Bhattacharyya, N., & Bandyopadhyay, R. 2012. Instrumental testing of tea by combining the responses of electronic nose and tongue. Journal of Food Engineering, 110(3):356-363.

Sanaeifar, A., Mohtasebi, S.S., Ghasemi-Varnamkhasti, M., & Ahmadi, H. 2016. Application of MOS based electronic nose for the prediction of banana quality properties. Measurement, 82:105-114.

Shafiee, S., Polder, G., Minaei, S., Moghaddam-Charkari, N., Van Ruth, S., & Kus, P.M. 2016. Detection of honey adulteration using hyperspectral imaging. IFAC-PapersOnLine, 49(16):311-314.

Tudu, B., Kow, B., Bhattacharyya, N., & Bandyopadhyay, R. 2008. Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea. P. 254-258. Sensing Technology, 2008. ICST 2008. 3rd International Conference on:IEEE.

Wang, J., & Zhou, Y. 2007. Electronic‐nose technique: potential for monitoring maturity and shelf life of tomatoes. New Zealand Journal of Agricultural Research, 50(5):1219-1228.

Yu, H., Wang, J., & Xu, Y. 2007. Identification of adulterated milk using electronic nose. Sensors and Materials, 19(5):275-285.

Zakaria, A., Shakaff, A.Y.M., Masnan, M.J., Ahmad, M.N., Adom, A.H., Jaafar, M.N., Ghani, S.A., Abdullah, A.H., Aziz, A.H.A., Kamarudin, L.M., Subari, N., & Fikri, N. 2011. A biomimetic sensor for the classification of honeys of different floral origin and the detection of adulteration. Sensors, 11(8):7799-7822.

Zhou, C.-L., Mi, L., Hu, X-Y, & Zhu, B-H. 2017. Evaluation of three pumpkin species: correlation with physicochemical, antioxidant properties and classification using SPME-GC-MS and e-nose methods. Journal of Food Science and Technology, 54(10):3118-3131.