تعیین غیرتخریبی بازهای ازته فرار کل (tvb-n) توسط تصاویر ابرطیفی در ماهی گوازیوم دم‌رشته‌ای (nemipterus japonicus)

سابقه و هدف: با توجه به اهمیت ارزیابی کیفی آبزیان از صید تا مصرف، روش‌های سریع و غیرتخریبی برآورد فساد در صنعت شیلات مهم هستند. هدف این مطالعه بررسی پتانسیل به‌کارگیری تصاویر ابرطیفی (nm 430-1010hsi: ) برای پیش‌بینی بازهای ازته‌ی فرار کل(tvbn) در فیله‌ی گوازیوم دم‌رشته‌ای (nemipterus japonicus) به عنوان ماهی آب شور است.مواد و روش‌ها: فساد فیله‌های ماهی طی 8 روز نگهداری در دمای یخچال ( °c 2 ±4) مورد بررسی قرار گرفت. ابتدا، داده‌های مربوط به تصاویر ابرطیفی و tvbn فیله‌های ماهی در آزمایشگاه حاصل شد. مدل اولیه‌ی پیش‌بینی این شاخص بر پایه‌ی شبکه‌ی مصنوعی عصبی پس‌انتشار خطا (bpann) تشکیل شد. برای ساده کردن مدل، 10 طول موج به روش ضریبرگرسیون (rc) انتخاب شد و مدل‌های رگرسیون خطی چندگانه (mlr) و bpann بر پایه‌ی طول موج‌های برگزیده پیاده‌سازی شدند.یافته‌ها‌: در طیف کامل طول موج، مدل‌ bpann قدرت پیش‌بینی نسبتاً ضعیفی را نشان داد (0.76=r2p و 4.45=rmsep). بعد از انتخاب 10 طول موج، توانایی مدل‌های ساده‌ شده بهتر از مدل مبتنی بر طیف کامل بود. قدرت پیش‌بینی مدل ساده‌ bpann بالاتر از mlr بود (0.820=r2p(rcbpann) و 3.79=rmseprcbpann؛ 0.794=r2p(rcmlr) و 4.25=rmseprcmlr). بنابراین rcbpann عملکرد خوبی را در پیش‌بینی شاخص tvbn نشان داد (0.90 r2p 0.82).نتیجه گیری: اگرچه مدل چندطیفی ساده‌ی توسعه‌یافته بر پایه‌ی مدل bpann نتایج امیدوارکننده‌ای را در پیش‌بینی مقادیر tvbn فیله‌ی ماهی گوازیوم دم‌رشته‌ای نشان داد. اما، مدل پایه‌ریزی‌شده قدرت پیش‌بینی قوی را در طول دوره‌ی نگهداری نشان نداد. بنابراین مطالعات بیش‌تری به منظور بهبود قدرت پیش‌بینی و کاربری روش hsi برای برآورد tvbn در ماهی گوازیوم دم‌رشته‌ای نیاز است.

Nondestructive Determination of the Total Volatile Basic Nitrogen (TVB-N) Content Using hyperspectral Imaging in Japanese Threadfin Bream (Nemipterusjaponicus) Fillet

Background and Objectives: Considering the importance of safety evaluation of fish and seafood from capture to purchase, rapid and nondestructive methods are in urgent need for seafood industry. This study aimed to assess the application of hyperspectral imaging (HSI: 4301010 nm) for prediction of total volatile basic nitrogen (TVBN) in Japanesethreadfin bream (Nemipterusjaponicus) fillets, as a marine fish, during 8 days of cold storage (4 ±2 °C). Materials Methods: Hyperspectral imaging data and TVBN value of the fillets were obtained in the laboratory. The basic prediction model was established based on Backpropagation artificial neural network (BPANN). To simplify the calibration models, 10 wavelengths were selected based on regressioncoefficient (RC). Multiplelinear regression (MLR) and BPANN models were established based on the selected wavelengths.Results: In full spectral range, the BPANN models exhibited relatively weak prediction performance (R2P=0.76 and RMSEP=4.45). After selecting 10 wavebands, the capability of the simplified models was better than that of the fullwavebands. The predictive power of simplified BPANN was better than that of MLR model (R2P(RCBPANN)=0.820; RMSEPRCBPANN=3.79 and R2P(RCMLR)=0.794 and RMSEPRCMLR=4.25). Therefore, r RCBPANN model showed more acceptable predictive performance (0.82 R2P 0.90).Conclusion: Although the effectiveness of the developed simple multispectral imaging system based on BPANN model showed promising results to predict the TVBN values of fillets, it did not show a strong prediction power of TVBN values during storage. Therefore, further researches are required to enhance the prediction power and suitability of HSI method to evaluate TVBN value in Japanese threadfin bream fish.