بکارگیری بینی‌ الکترونیک برای تشخیص تقلب رب‌ انار با روش‌های شناسایی الگو و شبکه عصبی مصنوعی

تقلب در محصولات غذایی یک چالش جدی در صنعت غذا است که کیفیت و سلامت آن را تحت تاثیر قرار می‌دهد. رب انار به دلیل داشتن طعم دلپذیر و خواص آنتی ‌اکسیدانی، یکی از مواد خوراکی ارزشمند است که در برنامه غذایی مردمِ برخی از کشورها مورد توجه قرار گرفته است. این محصول به علت قیمت بالای آن در معرض ایجاد تقلب توسط برخی تولید کنندگان یا توزیع ‌کنندگان برای دستیابی به سود بیشتر قرار دارد. در این پژوهش استفاده از سامانه ماشین بویایی به منظور تشخیص تقلب رب انار با شیره خرما با بکارگیری آرایه حسگرهای گازی و شناسایی ترکیبات فرار مواد آلی مورد نظر قرار گرفت. برای تحلیل پاسخ آرایه حسگرها از روش‌های تحلیل مولفه اصلی، تحلیل تفکیک خطی و شبکه عصبی مصنوعی استفاده شد. بر اساس نتایج بدست آمده، تحلیل مولفه‌های اصلی با دو مولفه pc1 و pc2، 94 % واریانس کل داده‌ها را توصیف کرد. در روش lda دقت طبقه‌ بندی نمونه‌های رب انار 97.65 % به دست آمد که در مقایسه با روش pca از دقت بالاتری برخوردار بود. بر اساس نتایج بدست آمده در روش ann مقادیر ضریب همبستگی و میانگین مربعات خطا در شبکه عصبی با ساختار 6-9-7 به ترتیب 0.984 و 0.0018 به دست آمد. نتایج این پژوهش نشان می‌دهد که دستگاه بینی‌ الکترونیک می‌تواند به عنوان یک ابزار غیرمخرب برای طبقه‌بندی و تشخیص تقلب در رب انار بکار گرفته شود.

Application of Electronic Nose to Detect Pomegranate Paste Adulteration Using Pattern Recognition Methods and Artificial Neural Network

Adulteration in food products is regarded as a main challenge in food industry, which adversely affects food quality and health. Owing to pleasant taste and antioxidant properties, pomegranate paste is one of the most valuable and desirable foods in the people diets in some countries. As a luxury and expensive food, it is likely to be adulterated by some producers or distributors for the more profits. In this study development and application of machine olfaction system using array of gas sensors to detect adulteration in pomegranate paste was aimed. Principal Component Analysis (PCA), Linear Discrimination analysis (LDA) and Artificial Neural Network (ANN) methods were used to analyze response of the sensor arrays. Based on the results, PCA with two components PC1 and PC2 described 94% of total data variance. In LDA method, the classification accuracy of pomegranate paste samples was 97.65% which higher than PCA method. The values of correlation coefficient (R2) and root mean squared error (RSME) of neural network in ANN method using the structure of 6-9-7 were 0.984 and 0.0018 respectively. This study reveals that the electronic nose device can be used as a non-destructive tool to classify and detect adulteration of different classes of pomegranate paste.