نویسندگان

• محمود امید
• مهدی رشوند
• حسین مبلی
• محمود سلطانی

چکیده

عمده‌ترین روش تقلب در روغن زیتون مخلوط کردن روغن‌های گیاهی مانند ذرت،‏ کلزا،‏ آفتابگردان و سویا به روغن خالص زیتون است. هدف این تحقیق ارزیابی یک سامانه قابل حمل به ‌منظور تشخیص تقلب روغن زیتون به کمک تلفیق فناوری‌های ماشین بینایی و طیف سنجی دی الکتریکی با حسگر خازنی است. به ‌منظور طبقه‌بندی نمونه‌های روغن زیتون تقلبی و اصل با استفاده از ویژگی‌های فرکانسی و رنگ،‏ از تکنیک‌های آنالیز مؤلفه‌های اصلی (PCA)‎،‏ تحلیل تفکیک خطی (LDA)‎ و شبکه عصبی مصنوعی استفاده‌ شد. بهترین شبکه با ساختار 1-6-36 برای پیش‌بینی نمونه‌های مخلوط شده زیتون و آفتابگردان مقادیر ضریب همبستگی و میانگین مربعات خطا را به ترتیب 944‎/0 و 006‎/0 ارائه داد. همچنین بهترین شبکه با ساختار 1-10-36 برای پیش‌بینی نمونه‌های مخلوط شده زیتون و کلزا مقادیر ضریب همبستگی و میانگین مربعات خطا را به ترتیب 946‎/0 و 0003‎/0 ارائه داد. در گام نهایی از ترکیب ویژگی‌های دی‌الکتریک و رنگی به منظور مدل‌سازی مسئله استفاده گردید. مقادیر ضریب همبستگی و میانگین مربعات خطا برای نمونه‌های مخلوط شده زیتون و آفتابگردان برابر 962‎/0 و 008‎/0 با ساختار 1-2-38 و برای نمونه‌های مخلوط شده زیتون و کلزا مقادیر 961‎/0 و 0013‎/0 با ساختار 1-16-38 حاصل شد.

کلیدواژه‌ها

• شبکه عصبی مصنوعی
• ماشین بینایی
• دی الکتریک
• ‌روغن زیتون
• تقلب

عنوان مقاله [English]

Evaluation of an adulteration detection system of olive oil based on machine vision and dielectric spectroscopy

نویسندگان [English]

• mahmood omid
• mahdi rashvand
• hosein mobli
• mahmoud soltani

چکیده [English]

The main jobbery way in olive oil adulteration is mixing with other vegetable oils such as maize, canola, sunflower and soy oil. Therefore, the aim of this study was to evaluate a portable system to detect adulteration in olive oil using a combination of machine vision and capacitive method. To identify adulteration in olive oil by using frequency and color features, Principal Component Analysis (PCA) and Linear discriminant analysis (LDA) were thus applied. The best neural network model with 36-6-1 structure had R2 of 0.944 and mean square error of 0.006, for prediction of adulterated olive oil with sunflower oil. Also, the best model of neural network for olive-canola mixture had the structure of 36-10-1, R2 and mean square error of 0.946 and 0.003, respectively. Finally, a combination of frequency and color properties was used to develop the models. The R2 and mean square error of mixed samples of olive-sunflower were obtained as 0.962 and 0.008 for 38-2-1 network. For mixed samples olive-canola, the R2 and mean square error were obtained 0.961 and 0.0013 for the structure of 38-16-1 neural network.

کلیدواژه‌ها [English]

• Adulteration-Neural network.-Olive oil-Dielectric-Machine vision-