نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 گروه علوم و صنایع غذایی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

2 گروه شیلات، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

چکیده

هدف از این مطالعه ارزیابی و پیش‌بینی تغییرات میزان کل باکتریایی، سودوموناس، سایکروتروف، انتروباکتریاسه‌آ، باکتری‌های اسید لاکتیکی و شاخص‌های شیمیایی شامل بازهای نیتروژنی فرار و مالون‌دی‌آلدئید در برگر ماهی پخته‌شده در دماهای 45، 55، 65، 75 و 85 درجۀ سانتی‌گراد با استفاده از شبکۀ عصبی مصنوعی بود. مدت زمان پخت 20 و 30 دقیقه و طول دورۀ نگهداری 18 روز بود. نتایج نشان داد دمای پخت 55 درجۀ سانتی‌گراد به مدت 30 دقیقه به‌جز در غیرفعال‌سازی سودوموناس در سایر گروه‌ها بی‌تأثیر بود. دمای پخت 65 درجۀ سانتی‌گراد به مدت 20 دقیقه موجب کنترل باکتری‌های سایکروتروف‌ها و انتروباکتریاسه‌آ شد. میزان سودوموناس در زمان پخت 20 دقیقه در دو دمای 45 و 55 درجۀ سانتی‌گراد، باکتری‌های اسید لاکتیکی در زمان پخت 20 دقیقه در دمای 45 درجۀ سانتی‌گراد در محدودۀ استاندارد بار باکتریایی نبودند و نتایج نشان داد که برگر ماهی به‌جز در این تیمارها، در سایر تیمارها تا انتهای دورۀ نگهداری قابل‌مصرف بود. دمای پخت 85 درجۀ سانتی‌گراد در هر دو زمان پخت، موجب غیرفعال‌سازی باکتری‌های سودموناس، انتروباکتریاسه‌آ و لاکتوباسیلوس شد. دما بیشترین و مدت زمان کمترین تأثیر بر مدل ارائه‌شده برای مالون‌دی‌آلدئید را داشت. فیش‌برگرها در طول زمان نگهداری در محدودۀ مجاز برای بازهای نیتروژنی فرار قرار داشتند. با افزایش زمان نگهداری، شاخص L* روند افزایشی و رنگ فیش‌برگرها تمایل به سفیدی داشت. باتوجه‌به دامنۀ تغییرات داده‌های خروجی‌ها و مقایسۀ داده‌های ورودی و خروجی، می‌توان عنوان کرد که نتایج شبکۀ عصبی (پرسپترون چندلایه) قابل اعتماد بوده و می‌توان از آن برای کاهش هزینه‌های آزمایش‌ها در صنعت تولید برگر استفاده کرد.

کلیدواژه‌ها

سازمان ‌ملی ‌استاندارد ‌ایران. (1393). میکروبیولوژی زنجیره غذایی-روش جامع برای شمارش میکروارگانیسم‌ها- قسمت 1: شمارش کلنی در 30oC   با استفاده از روش کشت آمیخته. (استاندارد ملی ایران به شمارۀ 1-5272، چاپ اول). برگرفته از http://standard.isiri.gov.ir/StandardView.aspx?Id=43263
سازمان‌ ملی‌ استاندارد ‌ایران. (1394). میکروبیولوژی مواد غذایی و خوراک دام-الزامات کلی و راهنما برای آزمون‌های میکروبیولوژی. (استاندارد ملی ایران به شمارۀ 9899، تجدیدنظر اول). برگرفته از http://standard.isiri.gov.ir/StandardView.aspx?Id=43546
فهیم، ا.، خانی‌پور، ع. ا.، زارع‌گشتی، ق.، و امیری‌سندسی، س. (1396). ببهبود ویژگی‌های حسی وماندگاری برگر تهیه شده از ماهی کپور نقره‌ای (Hypophthalmicthys molitrix) با استفاده از پکتین. علوم و فنون شیلات، 6(3)، 123-131. http://dorl.net/20.1001.1.23225513.1396.6.3.8.4dor:
مسلمی ‌اجارستاقی، ع.، مسلمی، م.، ایگدری، س.، حسینی، س.، و عابدی، ر. (1396). بررسی شیوه های مختلف کشتار ماهی کپور نقره ای (Hypophthalmichthys molitrix) بر کیفیت و ماندگاری آن طی دورۀ نگهداری در یخچال. شیلات، 70(4)، 416-423. doi:https://doi.org/10.22059/jfisheries.2018.246788.1006
AOAC. (1995). Official Methods of Analysis (14th ed.): Washington D.C: Association of Official analytical chemists.
AOAC. (2000). Official Methods of Analysis (17th ed.): Washington D.C: Assiciation of Official Analytical Chemists.
Bainy, E. M., Bertan, L. C., Corazza, M. L., & Lenzi, M. K. (2015). Effect of grilling and baking on physicochemical and textural properties of tilapia (Oreochromis niloticus) fish burger. J Food Sci Technol, 52(8), 5111-5119. doi:https://doi.org/10.1007/s13197-014-1604-3
Bao, Y., Zhou, Z., Lu, H., Luo, Y., & Shen, H. (2013). Modelling quality changes in S ongpu mirror carp (C yprinus carpio) fillets stored at chilled temperatures: comparison between A rrhenius model and log‐logistic model. International journal of food science & technology, 48(2), 387-393. doi:https://doi.org/10.1111/j.1365-2621.2012.03200.x
Bhadoria, R. K., Saha, J., Biswas, S., & Chowdhury, C. (2021). Chapter 7 - IoT-based location-aware smart healthcare framework with user mobility support in normal and emergency scenario: a comprehensive survey. In V. E. Balas & S. Pal (Eds.), Healthcare Paradigms in the Internet of Things Ecosystem (pp. 137-161): Academic Press.
Can, Ö. P. (2011). Evaluation of the microbiological, chemical and sensory quality of carp processed by the sous vide method. World Academy of Science, Engineering and Technology, 5, 1060-1065. doi:https://doi.org/10.5281/zenodo.1081880
Delfino, L. A., Mattje, L. G. B., Silva, M., Araujo, M. C., Tormen, L., & Bainy, E. M. (2021). Evaluation of Moringa and Lavandula extracts as natural antioxidants in tilapia fish burger. Journal of Culinary Science & Technology, 1-16. doi:https://doi.org/10.1080/15428052.2021.1883494
Durmus, M. (2020). The effects of nanoemulsions based on citrus essential oils (orange, mandarin, grapefruit, and lemon) on the shelf life of rainbow trout (Oncorhynchus mykiss) fillets at 4±2° C. Journal of Food Safety, 40(1), e12718. doi:https://doi.org/10.1111/jfs.12718
Fahim, A., Khanipour, A., Zare Gashti, Q., & Amiri Sandsi, S. A. (2018). Improving sensory properties and shelf life of burger prepared from silver carp (Hypophthalmicthys molitrix) using pectin. Fish Scientific Technology, 3, 123-131. dor:https://dorl.net/20.1001.1.23225513.1396.6.3.8.4 (in Persian)
Genç, İ. Y. (2022). Prediction of storage time in different seafood based on color values with artificial neural network modeling. Journal of Food Science and Technology, 59(6), 2501-2509. doi:https://doi.org/10.1007/s13197-021-05269-0
Giannoglou, M., Dimitrakellis, P., Efthimiadou, Α., Gogolides, Ε., & Katsaros, G. (2021). Comparative Study on the Effect of Cold Atmospheric Plasma, Ozonation, Pulsed Electromagnetic Fields and High-Pressure Technologies on Sea Bream Fillet Quality Indices and Shelf Life. Food Engineering Reviews, 13(1), 175-184. doi:https://doi.org/10.1007/s12393-020-09248-7
Grayson, J., Gardner, S., & Stephens, M. (2015). Building better models with JMP Pro: SAS Institute.
HassabAlla, A., Mohamed, G., Ibrahim, H., & Abdelmageed, M. (2009). Frozen cooked catfish burger: effect of different cooking methods and storage on its quality. Global Veterinaria, 3(3), 216-226.
Hosseini, S. V., Pero, M., Tahergorabi, R., Kazemzadeh, S., Alemán, R. S., Fuentes, J. A. M., . . . Sanchez, X. F. (2021). Modeling by artificial neural networks of silver carp (<em>Hypophthalmichthys molitrixi</em>) with sous vide processing on the effects of storage and processing temperatures on the microbiological status. bioRxiv. doi:https://doi.org/10.1101/2021.01.26.428224
Ioachimescu, O. C., Ramos, J. A., Hoffman, M., & Stoller, J. K. (2021). Area under the expiratory flow-volume curve: predicted values by regression and deep learning methods and recommendations for clinical practice. BMJ open respiratory research, 8(1), e000925. doi:http://dx.doi.org/10.1136/bmjresp-2021-000925
Iranian National Standardization Organization [ISIRI]. (2015). Microbiology of the food chain-Horizontal method for the enumeration of microorganisms-Part 1:Colony count at 30 °C by the pour plate technique.  (ISIRI No. 5272-1, 1st, Edition). Retrieved from http://standard.isiri.gov.ir/StandardView.aspx?Id=43263 (in Persian)
Iranian National Standardization Organization [ISIRI]. (2016). Microbiology of food and animal feeding stuffs – General requirements and guidance for microbiological examinations. (ISIRI No. 9899, 1st, Edition). Retrieved from http://standard.isiri.gov.ir/StandardView.aspx?Id=43546 (in Persian)
Jia, S., Liu, X., Huang, Z., Li, Y., Zhang, L., & Luo, Y. (2018). Effects of chitosan oligosaccharides on microbiota composition of silver carp (Hypophthalmichthys molitrix) determined by culture-dependent and independent methods during chilled storage. International journal of food microbiology, 268, 81-91. doi:https://doi.org/10.1016/j.ijfoodmicro.2018.01.011
Joaquin, H. J. F., Tolasa, S., Oliveira, A. C. M., Lee, C. M., & Lee, K. H. (2008). Effect of Milk Protein Concentrate on Lipid Oxidation and Formation of Fishy Volatiles in Herring Mince (Clupea harengus) during Frozen Storage. Journal of Agricultural and Food Chemistry, 56(1), 166-172. doi:https://doi.org/10.1021/jf072460i
Khadir, M. T. (2021). Artificial Neural Networks in Food Processing: Modeling and Predictive Control: Berlin, Boston: De Gruyter.
Kong, C., Wang, H., Li, D., Zhang, Y., Pan, J., Zhu, B., & Luo, Y. (2016). Quality changes and predictive models of radial basis function neural networks for brined common carp (Cyprinus carpio) fillets during frozen storage. Food Chemistry, 201, 327-333. doi:https://doi.org/10.1016/j.foodchem.2016.01.088
Lan, W., Yang, X., Gong, T., & Xie, J. (2022). Predicting the shelf life of Trachinotus ovatus during frozen storage using a back propagation (BP) neural network model. Aquaculture and Fisheries. doi:https://doi.org/10.1016/j.aaf.2021.12.016
Li, D., Zhang, J., Song, S., Feng, L., & Luo, Y. (2018). Influence of heat processing on the volatile organic compounds and microbial diversity of salted and vacuum-packaged silver carp (Hypophthalmichthys molitrix) fillets during storage. Food microbiology, 72, 73-81. doi:https://doi.org/10.1016/j.fm.2017.11.009
Liu, H. (2021). Chapter 5 - Single-point wind forecasting methods based on reinforcement learning. In H. Liu (Ed.), Wind Forecasting in Railway Engineering (pp. 177-214): Elsevier.
Messina, C. M., Arena, R., Ficano, G., Randazzo, M., Morghese, M., La Barbera, L., . . . Santulli, A. (2021). Effect of cold smoking and natural antioxidants on quality traits, safety and shelf life of farmed meagre (Argyrosomus regius) fillets, as a strategy to diversify aquaculture products. Foods, 10(11), 2522, doi:https://doi.org/10.3390/foods10112522
Mittal, G. S. (2013). Chapter 18 - Artificial Neural Network (ANN) Based Process Modeling. In M. Kutz (Ed.), Handbook of Farm, Dairy and Food Machinery Engineering (Second Edition) (pp. 467-473). San Diego: Academic Press.
Mohammadi Lalabadi, H., Sadeghi, M., & Mireei, S. A. (2020). Fish freshness categorization from eyes and gills color features using multi-class artificial neural network and support vector machines. Aquacultural Engineering, 90, 102076. doi:https://doi.org/10.1016/j.aquaeng.2020.102076
Moosavi-Nasab, M., Khoshnoudi-Nia, S., Azimifar, Z., & Kamyab, S. (2021). Evaluation of the total volatile basic nitrogen (TVB-N) content in fish fillets using hyperspectral imaging coupled with deep learning neural network and meta-analysis. Scientific reports, 11(1), 5094. doi:https://doi.org/10.1038/s41598-021-84659-y
Moslemi Ajarestaghi, A., Moslemi, M., Eagderi, S., Hosseini, S. V., & Abedi, R. (2018). Effects of Slaughtering Methods on quality of Silver Carp (Hypophthalmichthys molitrix) During Refrigerated Storage. Journal of Fisheries, 70(4), 416-423. doi:https://doi.org/10.22059/jfisheries.2018.246788.1006 (in Persian)
Nollet, L. M., & Toldrá, F. (2009). Handbook of seafood and seafood products analysis: CRC Press.
Rico, D., Albertos, I., Martinez-Alvarez, O., Lopez-Caballero, M. E., & Martin-Diana, A. B. (2020). Use of Sea Fennel as a Natural Ingredient of Edible Films for Extending the Shelf Life of Fresh Fish Burgers. Molecules, 25(22), 5260. doi:https://doi.org/10.3390/molecules25225260
Sadhu, T., Banerjee, I., Lahiri, S. K., & Chakrabarty, J. (2022). Enhancement of nutritional value of fried fish using an artificial intelligence approach. Environ Sci Pollut Res Int, 29(14), 20048-20063. doi:https://doi.org/10.1007/s11356-021-13548-8
Splittstoesser, D. F., & Vanderzant, C. (1992). Compendium of methods for the microbiological examination of foods: American Public Health Association.
Tascikaraoglu, A., & Uzunoglu, M. (2014). A review of combined approaches for prediction of short-term wind speed and power. Renewable and Sustainable Energy Reviews, 34, 243-254. doi:https://doi.org/10.1016/j.rser.2014.03.033
Zhou, P., Feng, Q., Yang, X., Gao, R., Li, Y., Bai, F., . . . Xiao, F. (2021). Sous vide pretreatment in cooking sturgeon fish burger: Effects on physicochemical properties and sensory characteristics. International journal of food science & technology, 56(6), 2973-2982. doi:https://doi.org/10.1111/ijfs.14938
Zhu, N., Wang, K., Zhang, S.-l., Zhao, B., Yang, J.-n., & Wang, S.-w. (2021). Application of artificial neural networks to predict multiple quality of dry-cured ham based on protein degradation. Food Chemistry, 344, 128586. doi:https://doi.org/10.1016/j.foodchem.2020.128586