Professional Documents
Culture Documents
عسل
عسل
چکيده
عسل مایعی شیرین و گرانرو است که زنبور عسل آن را از شهد گلها تولید مینماید .عسل به طور کلی یک ترکیب
محلول در آب بسیار غلیظ قندی است که به لحاظ داشتن برخی مواد تخمیری در تبادالت غذایی و کمک به هضم غذا،
باالترین مرتبه را در میان غذاها دارد .بو یکی از پارامترهای مهم در طبقه بندی عسل است و گازهایی که در بوی عسل
دخالت دارند حاصل از بوی گرده گلهای جمعآوری شده توسط زنبور عسل و فعالیتهای آن برای تبدیل گرده به عسل
است .بنابراین بوی ساطع شده از عسل بسته به گلهای مختلف ،میتواند متفاوت باشد .همین عوامل سبب استفاده از
یک سامانه ماشین بویایی بر پایه حسگرهای نیمه هادی اکسید فلزی ( )MOSبه منظور طبقهبندی عسلهای با منشا
گیاهی مختلف گردیده است .هفت نوع عسل با منشاهای گیاهی مختلف تهیه شده و از هرکدام 11نمونه و جمعا 11
نمونه ،هر کدام به وزن 5گرم اماده شدن د .سپس نمونه ها در داخل پتری دیش استریلیزه گذاشته شده و مورد آزمایش
قرار گرفتند .آزمایش در سه مرحله تصحیح خط مبنا ،تزریق گاز نمونه و پاک سازی حسگرها انجام گرفت .دادهها با روش
پیش پردازش کسری برای جلوگیری از برازش بیش از حد و همچنین کاهش دادههای ورودی ،نرمال سازی شدند .تحلیل
مولفه اصلی ( ،)PCAتحلیل تفکیک خطی ( )LDAو شبکه عصبی مصنوعی ( )ANNروشهایی بودند که به منظور
طبقهبندی و تحلیل ویژگیهای استخراجی از سیگنالهای ماشین بویایی استفاده گردیدند .برای طبقهبندی عسلهای با
منشا گیاهی مختلف با استفاده از ماشین بویایی ،نتایج شامل %31واریانس به روش ، PCAو دقت طبقهبندی برای
روشهای LDAو ANNبه ترتیب %3173و %3375بود .نتایج حاصله نشان داد که سامانه ماشین بویایی مورد استفاده
در این پژوهش ،می تواند یک ابزار قابل اعتماد برای طبقهبندی عسلهای با منشا گیاهی مختلف باشد.
واژههای کليدی :تحلیل مولفه اصلی ،تحلیل تفکیک خطی ،شبکه عصبی مصنوعی ،حسگرهای گازی ،کیفیت
مکانیزم دستگاه ™ zNoseبا دستگاه استفاده شده تفاوت دارد، .)Bosch-Reig, 1997عسل اسطوخودوس 1به دلیل محتوای
همچنین از حسگرهای متفاوتی استفاده شده است و نیز میتوان به بسیار زیاد فنیل آالنین آمینواسید مشخص میشود ( Hermosín
عسلهای بومی استفاده شده داخل ایران که در مقاله استفاده شده ،)2003; Cotte et al., 2004اما این روش (زیادی فنیل آالنین
است اشاره نمود .یک سامانه بینی الکترونیک مبتنی بر آرایه آمینواسید) ،نتایج قابل قبولی در خصوص دیگر عسلها ارائه
حسگرهای شیمیایی غیرانتخابی ،توانایی طبقهبندی صحیح نمیدهد .یکی از روشهای ابزاری جدید که اخیراً در حال
% 111را برای چهار نوع عسل تک گله را دارد ،در نتیجه یک استفاده است و برای طبقهبندی و تجزیه و تحلیل کیفیت غذا
روش قابل اعتمادی است که کاربردش میتواند در مقیاسهای میتواند مورد استفاده قرار گیرد ماشین بویایی (بینیالکترونیک)
وسیعتر مورد مطالعه قرار گیرد (.)Benedetti, 2004 است .بینی الکترونیک اساساً مجموعهای گسترده از حسگرهای
روشهای تحلیلی و کمی مانند کروماتوگرافی مایع با شیمیایی انتخابی است که اطالعات شیمیایی را به سیگنالهای
عملکرد باال )HPLC( 2و کروماتوگرافی تبادل آنیونی با عملکرد الکتریکی تبدیل میکند .سیگنالهای الکتریکی سپس تقویت
باال )HPAEC( 3به طور معمول به منظور تعیین کیفیت عسل به شده و به وسیله یک نرم افزار تخصصی اجرا شده بر روی PCبه
کار برده میشوند ( Wang et al. 2010; Cozzolino et al. منظور تجزیه و تحلیل و تشخیص الگو آنالیز شده و به صورت
.)2011این روشها پرزحمت ،وقتگیر ،نیاز به مهارتهای دیجیتالی ثبت میشود ).)Persaud and Dodd, 1982
تحلیلی قابل توجه شامل تعداد زیادی تیمار خسته کننده و از آنجا که بینی الکترونیک از ترکیبات فرار برای
پیچیدهای از نمونهها و کاربرد مواد ارگانیک و خطرناک که شناسایی و دسته بندی نمونه ها استفاده میکند ،نظارت بر
دارای هزینههای باالیی برای انبار و دفع هستند میباشند .عالوه تغییرات تدریجی در مواد غذایی به صورت زمان واقعی تا زمانی
بر این ،هر یک از ویژگیهای کیفی مورد عالقه ،به یک روش که تغییرات در ترکیب فرار منعکس میشود ،امکان پذیر است
تحلیلی خاص نیاز دارند و فقط تعداد محدودی از نمونهها ( .)Kenjerić et al, 2009بینی الکترونیک بر روی طیف وسیعی
میتوانند مورد تحلیل قرار گیرند (.)Huang et al, 2015 از کاربردها جهت تجزیه و تحلیل مواد غذایی مانند نظارت بر
بنابراین ،توسعه روشهای سریع ،ساده ،کارآمد ،غیر تهاجمی و تازگی ماهی ( ،)O'Connell et al., 2001طبقه بندی رسیدگی
همچنین روشهای تجزیه و تحلیل دقیق برای بازرسی کیفی میوه ( ،)Brezmes et al., 2000نظارت برتولید و عمر دهی پنیر
عسل ضروری می باشد .به عنوان یک روش هدف ،خودکار و غیر ( )Drake et al., 2003; O'Riordan and Delahunty,2003به
مخرب ،ماشین بویایی دارای امتیازات حساسیت باال و طور موفقیت آمیزی اعمال شده است .عطر و بو مشخصه های
همبستگی با داده های ناشی از پانلهای حسی انسان ،سهولت مهمی از عسل را نشان میدهند و بهعنوان مثال ترکیبات فرار،
عمل و مقرون به صرفه بودن ،زمان کمتر برای تجزیه و تحلیل بهوسیلهی انواع مختلفی از سامانههای بینیالکترونیک که برای
میباشد ( .) Peris and Escuder-Gilabert. 2009به طور کلی تعیین منشا گیاهی عسل به کار می روند ،تعیین میشوند
هدف از انجام این پژوهش ،بررسی امکانسنجی کاربرد یک نوع ( ;Ampuero et al., 2004; Lammertyn et al., 2004
سامانه ماشین بویایی برای طبقهبندی عسلهای با منشا گیاهی .)Benedetti et al., 2004مطالعه )2004( Ampuero et al.با
مختلف که در ایران تولید می شوند ،میباشد. یک سامانه بینی الکترونیک مبتنی بر اکسید فلزی و
نمونهبرداری ریز استخراج فاز جامد ( )SPMEبه منظور دسته
مواد و روشها بندی نمونه عسلها انجام شده و نتایج قابل قبولی را نشان داد.
همچنین اگر روشهای کالسیک برای توصیف ویژگیها استفاده
نمونهها
میشد ،امکان طبقهبندی صحیح نمونههای غیرمعمول که به
نمونههای عسل استفاده شده در این پژوهش ،هفت نوع عسل
عنوان داده های پرت تشخیص داده نشده بود را فراهم میآورد.
بودند که از مناطق مختلف ایران تهیه شد .این عسلها با
6 همچنین )2004( Lammertyn et al.یک سامانه بینیالکترونیک
نامهای -1عسل آویشن 4کرج -2 5عسل آویشن و گون
مبتنی بر اکسید فلزی (™ ) zNoseرا به کار بردند و درصد
مزرعهی پردیس کشاورزی کرج -3عسل گون پردیس
نسبتاً باالی طبقه بندی صحیح را برای انواع عسلهای متفاوت و
محلولهای شکر به دست آوردند .از تفاوت این کار با کارهای
2. High- performance liquidchromatography دیگر که ذکر شده است میتوان به این نکته اشاره نمود که کال
3. High-performance anion-exchange chromatography
4. Thyme
5. Karaj
6. Milk vetch 1. Lavender
734 حاجینژاد و همکاران :طبقهبندی عسلهای با منشاء گياهی ...
1. Ardebil
1. Head space
2. Baseline 2. Varzighan- Eastern Azarbaijan
مهندسی بيوسيستم ايران ،دورۀ ،74شمارۀ ،3پاييز 3392 734
شده () )ys(tبیبعد و نرمال شده است و حسگرهایی که ذاتاً Ghasemi-Varnamkhasti et کامپیوتری باشد تبدیل میکند (
سطح پاسخ باال و پایینی دارند را جبران می کند ( Arshak et .)al, 2011سامانه ماشین بویایی برای سه فاز تصحیح خط مبنا،
.)al, 2004 تزریق بوی نمونه و پاک کردن حسگرها و محفظه نمونه با هوای
پاک (اکسیژن) برنامه ریزی شده است.
نحوهی انجام آزمایش بدین صورت است که ابتدا نمونه در
داخل محفظه نمونه قرار داده و درب آن را میبندیم ،برای انجام
آزمون روی نمونههای عسل به منظور اختالط هوای داخل
محفظه با بوی نمونه به مدت 1511ثانیه منتظر مانده و سپس
شروع به آزمایش میکنیم .در مرحله تصحیح خط مبنا ،به
شکل .3پاسخ يک حسگر به بوی نمونه ()Heidarbeigi et al, 2014 منظور پاکسازی محفظه حسگرها و رسیدن پاسخ حسگرها به
خط مبنا ،اکسیژن به مدت 121ثانیه از روی حسگرها عبور داده
دو نمونه از روشهای تشخیص الگو وجود دارند که به
میشود .در مرحله تزریق ،فضای هد توسط پمپی که در محفظه
صورت روشهای آماری یا روشهای مبتنی بر شبکههای عصبی
نمونه تعبیه شده است ،بر روی حسگرها به مدت 211ثانیه
استفاده میشوند ( .)Jurs et al, 2000روشهای آماری مانند
تزریق میشود ،در این مرحله ولتاژ خروجی هر حسگر بسته به
تحلیل مولفه های اصلی ،)PCA( 1تحلیل تفکیک
نوع و میزان حساسیت آن ،تغییر میکند .در مرحله پاکسازی
خطی ،)LDA(2رگرسیون مولفههای اصلی ،)PCR(3کمترین
4
حسگرها و محفظه ،گاز اکسیژن به مدت 111ثانیه از روی
مربعات جزئی ( )PLSو الگوریتمهای دستهبندی مانند K-
حسگرها عبور داده می شود تا اثری از بو باقی نمانده باشد و
MEANSپارامتریک هستند .روشهای هوش مصنوعی شامل
بدین ترتیب حسگرها را تمیز میکند .همچنین در این قسمت
( 5ANNشامل LVQ MLP,SOM,و ،)ARTاستنتاج فازی)FL(6
1
بوی مانده در داخل محفظه نمونه توسط پمپ موجود در داخل
و الگوریتم ژنتیک ( )GAهستند ( Ghasemi-Varnamkhasti et
محفظه ،خارج میشود .پاسخ حسگر در 421ثانیه به وسیله
.)al, 2011در این پژوهش ،دادهها با استفاده از روشهای آماری
یک سامانه تحصیل داده برنامهریزی شده با نرم افزار Lab View
مانند تحلیل مولفه اصلی ،تحلیل تفکیک خطی و شبکه عصبی
2012جمعآوری و ذخیره میشود.
مصنوعی مورد پردازش قرار گرفتند.
مرحله بعدی در تجزیه و تحلیل دادهها ،پیشپردازش
تجزيه و تحليل دادهها سیگنالهای حسگرها است .پیشپردازش اطالعات ،تاثیر زیادی
در یک سامانه ماشین بویایی ،حسگرها و موتور طبقهبندی الگو بر روی عملکرد روشهای تشخیص الگو دارد و نیز تا حدی
دو عضو اصلی هستند .هدف این پژوهش طبقهبندی عسلهای با وابسته به نوع حسگرها بوده و معموالً متفاوت است ( Pierce et
منشاء گیاهی مختلف به وسیله ماشین بویایی است .بعد از .)al, 2003اولین مرحله پیشپردازش ،تصحیح پاسخ حسگرها با
جمعآوری دادهها ،با استفاده از تحلیل مولفه اصلی (،)PCA توجه به خط مبنا (پاسخ پایدار) آن میباشد که به منطور جبران
تحلیل تفکیک خطی( )LDAو همچنین شبکه عصبی مصنوعی انحراف و افزایش قدرت تشخیص حسگرها به کار میرود .برای
مورد بررسی قرار گرفتند PCA .یک روش چند متغیره بدون استخراج ویژگیها از سیگنالهای به دست آمده ،زمانبندی
ناظر 3است ،و روشی شناخته شده در فشردهسازی دادههای شکل 3مورد استفاده قرار میگیرد .سه روش مورد استفاده در
خطی و استخراج ویژگیها میباشد .تحلیل مولفههای اصلی پیش پردازش سیگنالها در جدول 2نشان داده شده است.
میتواند برای کاهش ابعاد داده مورد استفاده قرار گیرد ،به این
جدول .2روش نرمال سازی دادهها () Arshak et al, 2004
ترتیب مولفههایی از مجموعه داده را که بیشترین تاثیر در
)ys(t) = xs(t) - xs(0 تفاضلی
)ys(t)= xs(t)/ xs(0 نسبی
1. Principal Component Analysis )ys(t) = (xs(t) - xs(0))/ xs(0 کسری
2. Linear Discriminant Analysis ) :xs(tپاسخ حسگر :xs(0) ،پاسخ خط مبنا و ) :ys(tپاسخ نرمال شده
3. Principal Component Regression
4. Partial Least Square
5. Artificial Neural Network در این پژوهش ،روش کسری به کار رفته است .در این
6. Fuzzy Logical
7. Genetic Algorithm روش ،خط مبنا () )xs(0از پاسخ حسگری () )xs(tکم میشود و
8 . Unsupervised
سپس نتیجه بر پاسخ حسگر تقسیم میشود .پاسخ پیشپردازش
739 حاجینژاد و همکاران :طبقهبندی عسلهای با منشاء گياهی ...
بحث و نتايج واریانس را دارد حفظ میکند ( .)Li et al, 2007روش PCAبه
صورت گسترده برای مشخصکردن الگوها و طبقهبندی دادهها
نتايج PCA
به کار میرود ،و به نحوی دادههارا بیان میکند که شباهتها و
در تحلیل آماری برای هر نمونه عسل 11 ،تکرار با حسگرهای
تفاوتهای بین آنها مشخصتر شود (.)Mahmoudi, 2005
ماشین بویایی مورد آزمایش قرار گرفت .بنابراین در مجموع 11
روش LDAیک روش طبقه بندی نظارت شده 1است،
نمونه برای این قسمت از داده برداری مورد استفاده قرار گرفت. تحلیل تفکیک خطی ،اولین روش طبقهبندی است که توسط
به منظور کاهش دادهها ،روش کسری به کار گرفته شد .سپس فیشر به عنوان یک تحلیـل چند متغیـره معرفی گردیـد
روش تحلیل مولفههای اصلی PCAبه منظور طبقه بندی ( .)Fisher, 1936در این روش ،هدف این است که دادههای
عسلهای با منشا گیاهی مختلف با استفاده از دادههای به مربوط به یک کالس تا حد امکان در زیر فضای ایجاد شده به
دستآمده اجرا گردید .دادههای حاصل از پردازش ذکر هم نزدیک و دادههای کالسهای مختلف از هم دور باشند .به
شده)روش کسری( به عنوان ورودی PCAمورد استفاده قرار عبارت دیگر پراکندگی بین کالس دادهها حداکثر و پراکندگی
گرفتند. درون کالسها حداقل شود (.)Tudu, 2008
PCAپیچیدگی مجموعه دادهها را کاهش میدهد و بدون روش ANNیک شبکه عصبی است که دارای سه الیه
اطالعاتی از طبقهبندی نمونهها اجرا میگردد و در واقع تنها بر شامل الیه ورودی ،الیه خروجی و الیه پنهان است .هر واحد در
اساس واریانس دادهها است ،نمودار اسکور مولفههای اصلی در الیه پنهان و الیه خروجی مانند یک پرسپترون عمل میکند با
شـکـل 4نـشـان داده شـده اسـت که مـولـفـههـای اول و دوم این تفاوت که تابع استفاده شده به جای تابع آستانهای ،2تابع
( PC1و ( PC2واریانس بین دادههای حاصل از اندازهگیری سیگموئید 3است .واحدهای الیه ورودی صرفا وظیفه توزیع
نمونهها را بیان میکند .دو مولفه اصلی داللت بر بیشینه مقدار مقادیر ورودی به الیه بعدی را بر عهده دارند ،بنابراین هیچ
واریانس در دادههای اصلی را دارد .نمودار اسکور به منظور تعیین محاسبهای را انجام نمیدهند ( .)Haykin, 1999برای شش
وجود خوشههای مجزای دادهها برای تشخیص الگو به کار میرود حسگر در مجموعه آرایهها ANN ،شش ورودی با دادههای
( .)Heidarbeigi, 2014نمودار PCAدر قالب PC1-PC2یعنی نرمال شده از سیگنال اندازهگیری شده دارد و الیه خروجی،
دو مولفه اصلی اول %31 ،واریانس ( PC1 =%31و ) PC2 =%1 هفت گره برای طبقهبندی هفت نوع عسل با منشأ گیاهی
بین نمونهعسلهای منشا گیاهی مختلف را در بر میگیرند .در مختلف را دارد .در ANNتابع فعالسازی سیگموئید ( )tanhدر
نمودار PCAنمونههای عسل به خوبی از هم جدا شدهاند به جز الیه خروجی و مخفی استفاده شده و سپس شبکه ایجاد و با
نمونهی ( 5عسل آویشن ) و نمونهی (6عسل مخلوط آویشن و الگوریتم Levenberg-Marquardtآموزش داده می شود .این
گون) که با هم اشتراکات مکانی دارند که این اشتراک ،حاصل الگوریتم که مبتنی بر خطای مربعات میانگین )MSE( 4است،
مخلوط %51عسل آویشن ( نمونه )5با %51عسل گـون برای به دست آوردن شبکه بهینه شدهی گرههای مختلف در
(نمونهی )2است. الیه مخفی استفاده میشود .شبکه ،برای حداقل کردن خطای
مربعات میانگین بین خروجیهای شبکه و مقدار واقعی ،آموزش
داده شـد .سرانجـام مدل بهینه انتخاب شـده ،دارای ساختـار
1-11-6برای طبقهبندی عسلهای با منشا گیاهی مختلف را
،Microsoft Excel داشت .پردازش دادهها در نرم افزارهای
Neuralsolution5و Unscrambler 10.3 (CAMO ASA,
) Norwayانجام شد.
1
نظر میگیرد ( .(Heidarbeigi et al,.2014نمودار LDAبرای به منظور تعیین نقش متغیرها) حسگرها ( نمودار لودینگ
سیگنالهای حاصل از بینی الکترونیک در تشخیص نمونههای در جداسازی گروهها بررسی شد .در نمودارهای لودینگ میتوان
عسل با منشاء گیاهی مختلف در شکل 6نشان داده شده است. نقش نسبی حسگرهای بینی الکترونیک را برای هر مولفه اصلی
نتایج LDAدرصد تشخیص %3173را برای نمونه های عسل نشان داد .هر چقدر مقدار لودینگ یک حسگر بر روی محور
نشان می دهد .همان طوری که در شکل 6مشاهده میشود مولفههای اصلی بیشتر باشد .یعنی نزدیکی بیشتر به دایره
نمونهها اکثرا به خوبی از هم جدا شدهاند به جز نمونههای نمونه بیرونی آن ،میتوان نتیجه گرفت که نقش آن در کاربرد مورد
های (6عسل آویشن) و نمونهی ( 1عسل چند گله اردبیل) که با نظر و تشخیص و تمایز بین نمونهها بیشتر است .همچنین اگر
هم تداخل دارند و این تداخل به این علت است که گیاه آویشن حسگرها تاثیر کمی در فرایند تشخیص داشتند می توان آنها را
در مناطق چند گله اردبیل دارای گستردگی بیشتری میباشد. از آرایه حسگری حذف کرد ،تا هزینه ساخت آرایه حسگری
همچین نتایج این روش به صورت ماتریس اغتشاش در جدول 3 سامانه ماشین بویایی کاهش یابد (.)Heidarbeigi et al,.2014
نمایش داده شده است. همان طور که در شکل 5مشخص است ،حسگر MQ-131در
میان حسگرها ،کمترین نقش را در طبقهبندی دارد .عدم
تغییرات قابل مالحظه حسگر MQ-131که مربوط به بوی
اوزون NO2 ، CL2 ،است بیانگر این حقیقت است که بوی این
گازها در تفکیک عسلها نقشی ندارند و می توان با توجه به
لزوم کاهش هزینه ساخت ماشین بویایی ،این حسگر را حذف
نمود .از طرفی حسگرهای MQ-136 ،MQ-135و MQ-5
بیشترین تاثیر را در طبقه بندی عسلها دارند که با آزمایش
GC-MSدر تجزیه و تحلیل مواد فرار تولید شده در عسلهای
شکل .4نمودار LDAبرای نمونه های عسل -3 .عسل تقلبی اردبيل -2عسل مختلف با هم مطابقت دارد.
آويشن و گون -3عسل گون -7عسل چندگله ورزقان -5عسل مخلوط
آويشن و گون ( %55عسل آويشن و %55عسل گون) -4عسل آويشن -4
عسل چندگله اردبيل
نتايجANN
از الگوریتم پرسپترون چندالیه پس انتشار خطا به منظور
طبقهبندی عسلهای با منشا گیاهی مختلف با استفاده از
دادههای حاصل از بینی الکترونیک و اعمال روش پیش پردازش شکل .5نمودار لودينگ تحليل PCAدر طبقه بندی عسلهای با منشا
گياهی مختلف
کسری به منظور کاهش دادهها به عنوان ورودی شبکه استفاده
LDA نتايج
شد .الیه پنهان شامل چندین نرون است که نشاندهنده غیر
تحلیل تفکیک خطی یکی از روشهای رایج و موفق در
خطی بودن شبکه است .جهت افزایش سرعت آموزش سیستم
کاهش بعد و طبقهبندی داده از فضای با بعد باال به یک فضای با
یک الیه پنهان برای شبکه در نظر گرفته شد .تابع فعالسازی
بعد کم است .در LDAکالسیک نتیجه مطلوب در دستیابی به
تانژانت هیپربولیک برای الیه پنهان استفاده گردید .تعداد نرون ها
حداکثر تفکیک بین گروههای مختلف با به حداقل رساندن
در الیه پنهان معموالً از طریق سعی و خطا تعیین میگردد .الیه
واریانس درون کالس و به حداکثر رساندن واریانس بین
خروجی با توجه به انواع حالتهای مورد نظر بیان کننده مقادیر
طبقههای مختلف به طور همزمان ،به دست میآید .این نتیجه به
پیش بینی (مطلوب) است .ارزیابی عملکرد شبکههای طراحی
آسانی با حل مسأله مقدار ویژه 2محاسبه میشود LDA .اطالعات
شده با استفاده از میانگین مربعات خطا ( )MSEو ضریب
مربوط به هر دو توزیع در کالس و همچنین بین کالسها را در
همبستگی ( )rتعیین میگردد .برای آموزش شبکه ،تغییر در
تعداد نرونهای الیه پنهان و میانگین مربعات خطا انجام
میشود .دادهها به سه زیر مجموعه آموزش ( ،)%61معتبرسازی 1 . Loading Plot
2 . Eigen value
( )%21و آزمایش ( )%21تقسیم گردید .تابع انتقال الیه مخفی و
723 حاجینژاد و همکاران :طبقهبندی عسلهای با منشاء گياهی ...
مختلف %3375حاصل شد .جدول 4ماتریس اغتشاش ANNرا خروجی تابع لونبرگ مارکوارت بود .با مقایسه اطالعات بهدست
برای نمونههای عسل نشان می دهد .همان طور که در جدول 4 از میانگین مربعات خطا و درصد دقت شبکههای مختلف مقادیر به
نشان داده شده است همهی نمونهها به جز نمونه (2عسل دست آمده برای شبکه با 11نرون در الیه پنهان از حداقل
آویشن و گون) و نمونهی( 5مخلوط آویشن و گون) به خوبی انحراف معیار برخوردار است و نتایج آن ثبات بیشتری دارد .پس
درست تشخیص داده نشدهاند که با توجه به تعدد گیاهان در از آموزش و اعتبارسنجی شبکه با استفاده از شبکه بهینه با 6
این نمونهها و مخلوط شدن مواد فرار در این عسلها ANNبه متغیر ورودی (حسگرها) 11 ،نرون در الیه مخفی و 1متغیر
خوبی نتوانسته این نمونهها را تشخیص دهد. خروجی ،دقت طبقهبندی صحیح برای عسلهای منشاء گیاهی
جدول .7ماتريس اغتشاش طبقه بندی شبکه عصبی مصنوعی ( )ANNبرای نمونههای عسل
1 6 5 4 3 2 1 نمونهها
1 1 1 1 1 3 11 1
1 1 1 1 1 1 1 2
1 1 1 1 3 1 1 3
1 1 4 11 1 1 1 4
1 1 6 1 1 1 1 5
1 11 1 1 1 1 1 6
11 1 1 1 1 1 1 1
%111 %111 %61 %111 %31 %11 %111 درصد جداسازی صحیح
%3375 دقت طبقهبندی صحیح:
-3عسل تقلبی اردبيل -2عسل آويشن و گون -3عسل آويشن -7عسل چندگله اردبيل
-5عسل مخلوط آويشن و گون ( %55عسل آويشن و %55عسل گون) -4عسل چند گله ورزقان -4عسل گون.
دادههای حاصل از سیگنالهای به دست آمده از آرایه حسگری نمودارهای به دستآمده اطالعات قابل.استفاده قرار گرفتند
برایPCA بینی الکترونیک نشان داد که باالترین دقت را روش مقایسه ای را فراهم آورده و با توجه به نتایج حاصل از روش
نتایج هر.طبقه بندی عسلهای با منشاء گیاهی مختلف دارد عملکرد مناسبی،ANN وLDA و روشهای طبقهبندیPCA
سه روش در طبقه بندی عسلها این امکان را به ما میدهد که برای طبقهبندی عسلهای با.برای تمایز بین نمونه ها دارد
تحقیقات بیشتری در طبقهبندی دیگر محصوالت غذایی و نتایج شامل،منشاء گیاهی مختلف با استفاده از ماشین بویایی
.کشاورزی به وسیله سامانه بینی الکترونیک انجام شود دقت طبقهبندی%3375 و%3173 ،PCA واریانس به روش%31
طبقهبندی. بودANN وLDA به ترتیب برای روشهای
REFERENCES
Ampuero, S; Bogdanov, S; Bosset, J-O (2004) determination by electronic nose, Journal of
Classification of unifloral honeys with an MS- Apicultural Research, 48, 2, 99-103.
based electronic nose using different sampling Ghasemi-Varnamkhasti, M.; Mohtasebi, S.S.;
modes: SHS, SPME and INDEX. European Food Rodriguez-Mendez, M.L.; Lozano, J.; Razavi,
Research and Technology, 218(2), 198-207. S.H.; Ahmadi, H. Potential application of
Anklam, E (1998) A review of the analytical methods electronic nose technology in brewery. Trends in
to determine the geographical and botanical Food Science & Technology. 2011, 22, 165-174.
origin of honey. Food Chemistry, 63(4), 549-562. Haykin, S. Neural Networks: A Comprehensive
DOI: 10.1016/s0308-8146(98)00057-0. Foundation. Prentice Hall, New Jersey.1999.
Arshak, K.; Moore, E.; Lyons, G.M.; Harris, J.; Hermosín, I; Chicón, R M; Cabezudo, M D (2003)
Clifford, S. A review of gas sensors employed in Free amino acid composition and botanical origin
electronic nose applications. Sensor Review. of honey. Food Chemistry. 83(2), 263-268.
2004, 24(2), 181–198. Jurs, P.C.; Bakken, G.A.; McClelland, H.E.
Benedetti, S; Mannino, S; Sabatini, A G; Marcazzan, G Computational Methods for the Analysis of
L (2004) Electronic nose and neural network use Chemical Sensor Array Data from Volatile
for the classification of honey. Apidologie, 35(4), Analytes. Chemical Reviews. 2000, 100, 2649
397-402. 2678.
Brezmes, J; Llobet, E; Vilanova, X; Saiz, G; Correig, Heidarbeigi, K., Mohtasebi, S. S., Foroughirad, A.,
X. (2000) Fruit ripeness monitoring using an Ghasemi-Varnamkhasti, M., Rafiee, S., & Rezaei,
electronic nose. Sensors and Actuators B 69(3), K. (2015). Detection of adulteration in saffron
223-229. samples using electronic nose. International
Cotte, J F; Casabianca, H; Chardon, S; Lheritier, J; Journal of Food Properties, 18(7), 1391-1401.
Grenierloustalot, M F (2003) Application of Lammertyn, J; Veraverbeke, E A; Irudayaraj, J (2004)
carbohydrate analysis to verify honey zNose™ technology for the classification of
authenticity. Journal of Chromatography, A 102 honey based on rapid aroma profiling. Sensors
(1-2), 145-155. and Actuators, B98(1), 54-62.
Cotte, J F; Casabianca, H; Giroud, B; Albert, M; Mateo, R; Bosch-Reig, F (1998) Classification of
Lheritier, J; Grenier- Loustalot, M. F. (2004) Spanish unifloral honeys by discriminant analysis
Characterization of honey amino acid profiles of electrical conductivity, colour, water content,
using high-pressure liquid chromatography to sugars, and pH, Journal of Agricultural and Food
control authenticity. Analytical & Bioanalytical Chemistry, 46(2), 393-400.
Chemistry, 378(5), 1342-1350. O'connell, M; Valdora, G; Peltzer, G; Negri, R M
Cozzolino, D., Corbella, E., & Smyth, H. (2011). (2001) A practical approach for fish freshness
Quality control of honey using infrared determination using a portable electronic nose.
spectroscopy: a review. Applied Spectroscopy Sensors and Actuators, B 80(2), 149-154.
Reviews, 46(7), 523–538. Ojeda De Rodríguez, G; Sulbarán De Ferrer, B; Ferrer,
Drake, M A; Gerard, P D; Kleinhenz, J P; Harper, W J A; Rodríguez, B (2004) Characterization of
(2003) Application of an electronic nose to honey produced in Venezuela. Food Chemistry,
correlate with descriptive sensory analysis of 84(4), 499-502.
aged Cheddar cheese. Lebensmittel- Wissenschaft O'riordan, P J; Delahunty, C M (2003) Characterisation
Und-Technologie – Food Science and of commercial Cheddar cheese flavour. 1:
Technology, 36(1): 13-20. traditional and electronic nose approach to
Eklöv, T; Johansson, G; Winquist, F; Lundström, I quality assessment and market classification
(1998) Monitoring sausage fermentation using an International Dairy Journal, 13(5), 355-370.
electronic nose. Journal of the Science of Food & Pearce T.C., Gardner J.W., Friel S., Barlett P.N., Blair
Agriculture, 76, 525-532. N. (2003) Electronic nose for monitoring the
Frane Čačić Kenjerić, Saverio Mannino, Simona flavour of beers, Analyst, 118, 371–377.
Bennedetti, Ljiljana Primorac & Daniela Čačić
Kenjerić .(2009). Honey botanical origin
723 ... طبقهبندی عسلهای با منشاء گياهی:حاجینژاد و همکاران
Peris, M., & Escuder-Gilabert, L. (2009). A 21st of multivariate normalization techniques as applied
century technique for food control: electronic to electronic nose based pattern classification for
noses. Analytica Chimica Acta, 638(1), 1–15. black tea. In Sensing Technology, 2008. ICST 2008.
Persaud, K; Dodd, G (1982) Analysis of discrimination 3rd International Conference on (pp. 254-258).
mechanisms in the mammalian olfactory system IEEE.
using a model nose. Nature, 299, 352-355. Wang, J., Kliks, M. M., Jun, S., Jackson, M., & Li, Q.
Tomás-Barberán, F; Martos, I; Ferres, F; Radovic, S B; X. (2010). Rapid analysis of glucose, fructose,
Anklam, E (2001) HPLC flavonoid profiles as sucrose, and maltose in honeys from different
markers for the botanical origin of European geographic regions using Fourier transform
unifloral honeys. Journal of the Science of Food infrared spectroscopy and multivariate analysis.
and Agriculture, 81(5), 485-496. Journal of Food Science, 75(2), C208–C214.
Tudu, B., Kow, B., Bhattacharyya, N., &
Bandyopadhyay, R. (2008, November). Comparison