بازشناسي الگوي اسپكتروسكوپي فرو سرخ نزديك براي تفكيك غير مخرب پرتقال ها بر اساس شاخص مزه

Pattern recognition of near-infrared spectroscopy for non-destructive discrimination of oranges based on taste index

در سال هاي اخير، كاربرد اسپكتروسكوپي فروسرخ نزديك NIR به عنوان يك روش غير مخرب در تركيب با روش هاي شيمي سنجي به منظور ارزيابي كيفيت محصولات كشاورزي و غذايي به طور گسترده اي مورد توجه قرار گرفته است. در روش هاي شيمي سنجي، آناليزهاي كيفي موضوعات مهمي هستند كه مي توانند به مسئله بازشناسي الگو نسبت داده شوند. در اين پژوهش، توانايي روش هاي بازشناسي الگو در تركيب با اسپكتروسكوپي NIR بازتابي به منظور تفكيك غير مخرب مزه پرتقال ها بررسي شد. براي اين منظور، روش هاي بازشناسي الگوي نظارت نشده و نظارت شده، خوشه بندي سلسله مراتبي HCA و مدل سازي مستقل نرم شباهت هاي طبقه SIMCA به ترتيب براي امكان سنجي تفكيك واريته هاي پرتقال و طبقه بندي (بر اساس مزه آنها) بر پايه اطلاعات طيفي محدوده nm 1650-930 استفاده شدند. آناليزهاي كيفي نشان داد كه طيف هاي NIR واريته هاي پرتقال به درستي با بازشناسي الگوي نظارت نشده HCA خوشه بندي شدند. هم چنين، بازشناسي الگوي نظارت شده SIMCA براي طيف هاي NIR پرتقال ها نتايج عالي طبقه بندي واريته بر اساس شاخص BrimA را در سطح احتمال 5 درصد در بر داشت (دقت طبقه بندي 98/57 درصد) هم چنين، طول موج هاي 1047/5nm، 1052nmو 1475nm سهم بيش تري نسبت به ساير طول موج ها در تفكيك دو طبقه بر عهده داشتند. نمونه هاي داراي مقدارهاي يكسان شاخص BrimA نيز به درستي و با دقت طبقه بندي بالا ( 95/45 درصد) در سطح احتمال 5 درصد طبقه بندي شدند. قدرت تفكيك طول موج هاي 1475nm ، 1583nm و 1436/75nm براي دستيابي به اين طبقه بندي بسيار بيش تر از ساير طول موج ها بود . بنابراين، اسپكتروسكوپي NIR بازتابي در تركيب با روش هاي بازشناسي الگو مي تواند براي تشخيص ساير پارامترهاي مرتبط با مزه نيز به كار رود.

In recent years, application of near-infrared spectroscopy (NIR) as a non-destructive technique combined with chemometric methods has been widely noticed for quality assessment of food and agricultural products. In chemometric methods, quality analyses are important issues which could be attributed to the problem of pattern recognition. In this research, the feasibility of pattern recognition methods combined with reflectance NIR spectroscopy for non-destructive discrimination of oranges based on their taste was investigated. To this end, both unsupervised and supervised pattern recognition techniques, hierarchical cluster analysis (HCA) and soft independent modeling of class analogies (SIMCA) were used for assessing the feasibility of variety discrimination and classification (according to their taste), respectively based on the spectral information of 930-1650nm range. Qualitative analyses indicated that NIR spectra of orange varieties were correctly clustered using unsupervised pattern recognition of HCA. It was also concluded that supervised pattern recognition of SIMCA for NIR spectra of oranges provided excellent results of variety classification based on BrimA index at 5% significance level (classification accuracy of 98.57%). Moreover, wavelengths of 1047.5nm, 1502nm, and 1475nm contributed more than other wavelengths to discriminate two classes. Samples having the same BrimA index were also correctly classified with high classification accuracy (95.45%) at 5% significance level. The discrimination power of wavelengths of 1475nm, 1583nm, and 1436.75nm were more than those for other wavelengths to achieve this classification. Therefore, reflectance NIR spectroscopy combined with pattern recognition methods can be utilized for determination of other attributes related to taste