تعیین تازگی فیله ماهی قزل‌آلای رنگین کمان طی نگهداری در یخچال با روش غیر‌مخرب تلفیقی امواج فراصوت، مقاومت الکتریکی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه شیراز بخش مهندسی بیوسیستم

2 دانشگاه شیراز بخش مهندسی منابع طبیعی و محیط زیست

3 دانشگاه شیراز بخش مهندسی علوم و صنایع غذایی

چکیده

فیله ماهی محصولی بسیار حساس به فساد است و بررسی کیفیت و بهداشت آن قبل از مصرف ضروری است. بسیاری از روش‌های تعیین کیفیت و تازگی ماهی برپایه آزمون‌های مخرب و زمان‌بر است. در این پژوهش توانایی تلفیق روش‌های غیرمخرب امواج فراصوت، سنجش مقاومت الکتریکی و رنگ‌سنجی برای پایش تازگی فیله ماهی قزل‌آلا در دمای یخچال مورد ارزیابی قرار گرفت. نمونه‌هایی از فیله‌ ماهی تهیه و به مدت 12 روز در دمای یخچال نگهداری شد و طی این مدت آزمون‌های فیزیکی شامل میرایی امواج فراصوت، مقاومت الکتریکی و رنگ سنجی برای تعیین مولفه‌های رنگی در دو فضای رنگی RGB و La*b*، و آزمون حسی فیله‌ها (رنگ، عطر، طعم و بافت) انجام شد. آزمون شیمیایی برای تعیین میزان خاکستر، پروتئین و چربی فیله‌ها در این مدت نیز صورت گرفت. داده‌های استخراج شده از آزمون‌های فیزیکی مختلف در دو مدل شبکه عصبی و درخت تصمیم برای تعیین تازگی ماهی مورد استفاده قرار گرفتند و نتایج مدل‌ها برای انتخاب بهترین مدل برای دسته‌بندی مقایسه شد. شبکه‌های عصبی متفاوت تک لایه مخفی با تعداد نرون‌های 1 تا 10 و درخت تصمیم با پنج الگوریتم (LMT، J48، REP، random forest، random tree) ارزیابی شدند. داده‌های آزمون‌های فیزیکی به عنوان ورودی و روزهای نگهداری به عنوان خروجی برای هریک از مدل‌ها در نظر گرفته شد. بر اساس نتایج به دست آمده بیشترین دقت طبقه‌بندی (100%) و کمترین مقدار میانگین خطا (02/0) در شبکه عصبی با تعداد 6 نرون در لایه مخفی و مقادیر متناظر 100 درصد و حدود صفر مربوط به عملکرد درخت تصمیم با الگوریتم J48 بود. نتایج حاصل از ماتریس اغتشاش نیز دقت این این دو روش طبقه‌بندی را مورد تایید قرار داد. در مجموع تلفیق سه روش فیزیکی با الگوریتم درخت تصمیم بهترین عملکرد را برای دسته‌بندی فیله‌ها بر اساس تازگی (بر اساس روز ماندگی) بدست داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Determination of rainbow trout fillet freshness during storage in refrigerator by fusion of Non-destructive methods of ultrasound, electrical resistance, and colorimetry

چکیده [English]

Fish fillet is a corruption-sensitive product that requires several quality and hygiene reviews
before consumption. Many methods of fish quality and freshness determined based on
destructive and time-consuming tests require manpower and sample sizes. This study
evaluated the ability of a non-destructive fusion method of ultrasound, electrical resistance
measurement, and colorimetry to monitor the freshness of rainbow trout fillets at refrigerator
temperature. For this purpose, the samples of fish fillets were prepared and stored in a
refrigerator for 12 days, and physical tests such as ultrasound wave attenuation, electrical
resistance, and colorimetry to determine the color component of the fillets in both color space
of RGB and Lab, and sensory evaluation (color, taste, odor, and texture) were performed.
Also, a chemical test was conducted to determine the fillets ash, protein, and fat during
storage. Extracted data from physical tests were subjected to two classification models of
neural network and decision tree for determining the best classification method according to
the fillet freshness. Various single hidden layer neural networks with zero to ten neurons and
decision trees with five algorithms of LMT, REP, J48, RANDOM FOREST, and RANDOM
TREE were evaluated. In each model, physical test data were considered as input and storage 
days as output. Based on the results, the highest classification accuracy (100%) and the lowest
mean error value (0.02) were obtained for the neural network with 6 neurons in the hidden
layer, and correspondingly 100 percent and nearly zero for the decision tree with J48
algorithm The confusion table of both models also confirmed the classifiers' accuracy. The
integrated non-destructive system presented in this study does not require sample preparation. 
It is accurate, relatively inexpensive, and can be used during the food and fishery process to
determine their freshness.

کلیدواژه‌ها [English]

  • Colorimetric
  • Decision Tree
  • Electrical resistance
  • Neural Network
  • Non-destructive
  • Rainbow Trout
  • Ultrasound