تشخیص فساد در رب گوجه فرنگی توسط باکتری باسیلوس سوبتیلیس، قارچ پنیسیلیوم و قارچ آسپرژیلوس به کمک بینی الکترونیکی

حفظ کیفیت رب گوجه‌ فرنگی برای صنعت فرآوری بسیار مهم است. باکتری‌ها، سموم قارچی و کپک‌ها عواملی هستند که می‌توانند موجب آلودگی و فساد مواد غذایی شوند. هدف از این پژوهش بررسی عملکرد بینی الکترونیکی در تشخیص فساد در رب گوجه فرنگی و همچنین بررسی تغییرات برخی از خواص فیزیکوشیمیایی مهم در اثر فساد در رب گوجه‌فرنگی بود. به منظور ایجاد فساد در رب گوجه‌فرنگی از باکتری باسیلوس سوبتیلیس و قارچ‌های پنیسیلیوم و آسپرژیلوس استفاده گردید. نمونه برداری برای نمونه آلوده به باکتری در بازه‌های زمانی 4 ساعته و به مدت 24 ساعت و برای نمونه‌های آلوده به قارچ به صورت روزانه و در طول یک هفته به طول انجامید. تفکیک درجه دوم (qda)، شبکه عصبی مصنوعی (ann) و بردار پشتیبان رگرسیون (svr) روش‌هایی بودند که برای رسیدن به این هدف مورد استفاده قرار گرفتند. روش qda عملکرد خوبی در طبقه‌بندی باکتری و قارچ از خود نشان داد و توانست رشد باکتری و فساد رب گوجه فرنگی را در 6 زمان نمونه ‌برداری با دقت 100 درصدی تشخیص دهد. دقت طبقه بندی به کمک شبکه عصبی برای باکتری بر اساس زمان نمونه‌برداری 86.7 درصد و برای نمونه‌های آلوده به قارچ بر اساس نوع قارچ 90 درصد به دست آمد. بهترین پیش‌بینی خواص فیزیکوشیمیایی نمونه آلوده به باکتری و قارچ توسط مدل ann به ترتیب متعلق به خواص درصد وزنی رسوب و اسیدیته و در مدل svr به ترتیب متعلق به خواص ph و اسیدیته بود.

diagnosis of disease in tomato paste by bacillus subtilis bacteria, penicillium fungi and aspergillus fungi with the help of electronic nose

maintaining the quality of tomato paste is very important for processing industry. bacteria, fungal toxins and molds are factors that can cause food contamination and spoilage. the purpose of this research was to investigate the performance of electronic nose in detecting spoilage in tomato paste and also to investigate the changes of some important physicochemical properties due to spoilage in tomato paste. bacillus subtilis bacteria and penicillium and aspergillus fungi were used to spoil tomato paste. sampling for samples infected with bacteria was carried out in 4-hour intervals for 24 hours, and for samples infected with fungi, it was taken daily for one week. . quadratic discretion analysis (qda), artificial neural network (ann), supppport vector regression (svr), were the methods used to achieve this goal. the qda method showed a good performance in the classification of bacteria and fungi and was able to detect bacterial growth and spoilage of tomato paste in 6 sampling times with 100% accuracy. classification accuracy with the help of neural network for bacteria based on sampling time was 86.7% and for samples infected with fungi based on the type of fungus was 90%. the best prediction of the physicochemical properties of the sample infected with bacteria and fungi by the ann model related to the properties of sediment weight percentage and acidity, respectively, and in the svr model, it related to the properties of ph and acidity, respectively.