تشخیص قارچ‌های خوراکی و غیر خوراکی با استفاده از بینی الکترونیکی و هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی، کرمانشاه، ایران

2 گروه مهندسی مکانیک بیوسیستم،دانشگاه رازی، کرمانشاه، ایران

3 گروه گیاه‌پزشکی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران

چکیده

عدم توانایی مردم عادی در تفکیک قارچ‌های خوراکی از قارچ‌های غیرخوراکی و سمی چالشی پرمخاطره است که می‌تواند منجر به بروز مسمومیت‌ قارچی شود. در این پژوهش امکان‌سنجی کاربرد سامانه ماشین بویایی بر پایه‌ی حسگرهای نیمه هادی اکسید فلزی به عنوان ابزاری غیر مخرب برای تفکیک قارچ‌های غیرخوراکی از قارچ‌های خوراکی مورد ارزیابی قرار گرفت. تحلیل مؤلفه های اصلی PCA، تحلیل تفکیک خطیLDA ، تحلیل تفکیک خطی درجه 2QDA ، ماشین بردار پشتیبان SVM و شبکه عصبی مصنوعی ANN روشهایی بودند که برای رسیدن به این هدف مورد استفاده قرار گرفتند. نتایج به‌دست آمده از تحلیلها نشان داد که بهترین عملکرد روش PCA در تفکیک 5 نمونه قارچ خوراکی و غیرخوراکی با دقت 91 درصدی بود. نتایج به دست آمده نشان داد که روش تحلیل QDA با دقت 100 درصدی و عملکرد بهتری از روش LDA نمونههای قارچ را در سه دستهی مختلف تفکیک کرد. در این میان، روش SVM از میان نمونههای قارچ خوراکی و قارچ غیر خوراکی تنها توانست قارچ A.bisporus را به صورت کامل و 100 درصدی تشخیص دهد و عملکرد مناسبی در تفکیک سایر نمونه‌ها نداشت. روش ANN عملکرد مطلوبی در طبقه بندی نمونهها داشت به طوری که توانست نمونههای A. bisporus، S. comptus و R. delica را به صورت 100 درصدی طبقه‌بندی کند. با توجه به نتایجی که در این پژوهش به دست آمد، می‌توان گفت دقت روش QDA در طبقهبندی انواع مختلف قارچ‌ها نسبت به سایر روش‌ها بالاتر بود. با توجه به عملکرد مناسب بویایی ماشین در تفکیک قارچ‌های خوراکی از قارچ‌های غیرخوراکی، به نظر می‌رسد کاربرد این فناوری روشی امیدبخش در تفکیک گونه‌های مختلف قارچ خواهد بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Detection of edible and nonedible mushrooms using electronic nose and artificial intelligence

نویسندگان [English]

  • Payman Gholami 1
  • Ali Nejat Lorestani 2
  • Nahid Aghili nategh 1
  • Saeed Abbasi 3
1 Mechanical Engineering of Biosystems department, Agricultural Faculty, Razi University, Kermanshah, Iran
2 Mechanical Engineering of Biosystems department, Agricultural Faculty, Razi University, Kermanshah, Iran
3 Department of Plant Protection, Faculty of Agriculture, Razi University, Kermanshah, Iran
چکیده [English]

Non-use of non-edible and toxic mushrooms by common people in edible mushrooms is a dangerous challenge that can lead to mushroom poisoning. In this research, it is possible to use the smell machine system based on metal semiconductor sensors as non-destructive tools for non-edible mushrooms. Food was evaluated. PCA principal component analysis, LDA linear discriminant analysis, QDA 2 degree linear discriminant analysis, SVM support vector machine and ANN artificial neural network were the methods used to achieve this goal. The results obtained from the analyzes showed that the best performance of the PCA method was in the separation of 5 samples of edible and non-edible mushrooms with 91% accuracy. The obtained results showed that the QDA analysis method separated the mushroom samples into three different categories with 100% accuracy and better performance than the LDA method. In the meantime, the C-SVM method could only fully and 100% detect A. bisporus among the samples of edible and non-edible mushrooms, and it did not have a good performance in differentiating other samples. The ANN method had a good performance in classifying the samples so that it could classify the samples of A. bisporus, S. comptus and R. delica 100%. According to the results obtained in this research, it can be said that the QDA method was higher than other methods in classifying types of fungi. Considering the proper performance of machine smell in separating edible mushrooms from non-edible mushrooms, it seems that using this technology will be a promising method in different types of mushroom.

کلیدواژه‌ها [English]

  • Edible mushroom
  • non-edible mushroom
  • Machine Olfactory
  • artificial intelligence

فایل ها

هم رسانی

ارجاع به این مقاله

آمار