امکان‌سنجی کاربرد حسگر رزوناتور استوانه‌ای برای تشخیص تقلب در روغن کنجد

یکی از نگرانی‌های مهم در حوزه ایمنی غذایی وقوع تقلب گسترده در تولید مواد غذایی است که ضرورت توسعه ابزارهای سریع و دقیق تشخیصی برای این منظور را بیش از پیش ایجاب می‌کند. در این مطالعه یک حسگر رزوناتور استوانه‌ای که در مطالعات قبلی توسعه و برای تشخیص کیفیت برخی مواد غذایی آزمون شده بود، برای تشخیص تقلب در روغن کنجد در ترکیب با روغن‌های ذرت، کلزا و آفتابگردان مورد آزمون قرار گرفت. به منظور امکان اندازه‌گیری پاسخ دی‌الکتریک روغن در بازه فرکانسی mhz 1500 یک حسگر استوانه‌ای جدید با طول استوانهmm 400 ساخته شد. نمونه‌های آزمایشی با ترکیب روغن خالص کنجد با روغن‌های مورد اشاره در سطوح 15، 30 و 45% وزنی تهیه و هر نمونه با سه تکرار با حسگر دی‌الکتریک اندازه‌گیری شد. روش‌های آماری تحلیل مولفه‌های اصلی (pca)، تحلیل تفکیک خطی (lda) و ماشین بردار پشتیبان (svm) برای امکان تشخیص و تقکیک انواع تقلب در نمونه‌ها از داده‌های طیفی دی‌الکتریک مورد ارزیابی قرار گرفت. تحلیل مولفه‌های اصلی با دو مولفه‌ی اصلی pc1 و pc2، قابلیت تشخیص انواع تقلب و سطوح آن را با توجیه 96 درصد تغییرات نشان داد. به عنوان بهترین نتیجه، روش کلاس‌بندی lda با دقت 96.7 درصد قابلیت تشخیص و تفکیک تقلب‌های آزمون شده در روغن کنجد را نشان داد.

Feasibility of using a cylindrical resonator sensor for adulteration detection in sesame oil

One of the important concerns regarding the food safety is widespread adulteration in food production which necessitates the development of precise and rapid diagnostic instruments more than ever. In this study, a cylindrical resonator sensor, developed in previous studies and examined for quality detection of some food materials, was applied for detection of adulteration in sesame oil mixed with corn, canola and sunflower oils. To measure the dielectric response of oil in 0150 MHz frequency range, a new sensor with 400 mm long cylinder was fabricated. Adulteration samples were prepared with mixing pure sesame oil with the above mentioned oils at 15, 30 and 45% by weight and each sample was measured with three replications using the dielectric sensor. Statistical methods of principal component analysis (PCA), linear discriminant analysis (LDA) and support vector machine (SVM) were evaluated for detection of adulteration type and level from the dielectric spectral data. The biplot of the first two principal components showed excellent discrimination of adulteration type and level with 96% of variation explanation. As the best result, LDA classifier showed 96.7% accuracy for adulteration detection.