ارزيابي سامانه ماشين بويايي (بيني الكترونيكي) در تشخيص آسيب هاي پوستي موز

Evaluation of machine olfaction system (electronic nose) in recognizing skin damage of banana

ماشين بويايي (بيني الكترونيكي) با شبيه سازي حس بويايي انسان، تشخيص و درك بوهاي پيچيده را با استفاده از آرايه اي از حسگرهاي شيميايي انجام ميدهد. در ارزيابي كيفيت ميوه ها پس از برداشت يكي از زمينه هاي مورد توجه براي سامانه ماشين بويايي (بيني الكترونيكي) تشخيص آسيب ها در نظر گرفته شده است. در اين پژوهش قابليت سامانه ماشين بويايي بر پايه شش حسگر نيمه هادي اكسيد فلزي MOS به منظور تمايز آسيب هاي پوستي موز مورد مطالعه قرار گرفت. اجزاي اصلي سامانه طراحي شده شامل سامانه دريافت نمونه، آرايه حسگرهاي گازي، سامانه تحصيل داده، الگوريتم هاي تشخيص الگو و تحليل داده مي باشد. تحليل مولفه هاي اصلي PCA تحليل تفكيك خطي LDA روش هاي بودند كه به منظور طبقه بندي و تحليل ويژگي هاي استخراجي از سيگنال هاي ماشين بويايي استفاده گرديد. بالاترين دقت در طبقه بندي آسيب هاي پوستي با استفاده از روش LDA با دقت اعتبارسنجي 100% بدست آمد. نتايج نشان داد كه ماشين بويايي حساسيت و دقت كافي در تمايز ميان كلاس ها و پيش بيني ميزان آسيب ها براي موز را دارد.

The electronic nose (machine olfaction) would simulate the human sense of smell to identify and realize the complex aromas by using an array of chemical sensors. The measure of quality of post-harvest fruits is considered a promising application field for electronic nose technology such as the detection of defects. In this research, an electronic nose based on six metal oxide semiconductor (MOS) sensors ability for recognizing skin damage in bananas were studied. The main components are used in an e-nose system include: sampling system, an array of gas sensors, data acquisition system and an appropriate pattern recognition algorithm. Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) techniques were used for classification and analysis of extracted features of e-nose signals. The accuracy for the classification skin damage using LDA method was obtained with validation accuracy of 100%. Results have evidenced that the electronic nose has enough sensitivity and resolution to distinguish among the various classes and to correctly predict the amount of defects for banana