كاربرد تصويربرداري ابرطيفي مرئي- مادون قرمز نزديك و روش هاي آناليز چند متغيره جهت پيشگويي رطوبت و سختي مغزهاي پسته برشته شده در شرايط مختلف

Vis-NIR Hyperspectral Imaging and multivariate analysis for prediction the moisture content and hardness of pistachio kernels roasted in different conditions

با افزايش توقعات در ارتباط با كيفيت و سلامت محصولات غذايي، روش هاي تجزيه اي صحيح و دقيق براي اطمينان از كيفيت، صحت و سلامت محصول ضروري است. روش هاي سنتي كنترل مواد غذايي، زمان بر، گران و نيازمند تخريب نمونه هستند. بنابر اين استفاده از اتوماسيون براي اطمينان از كيفيت محصولات ضروري است. هدف از اين تحقيق استفاده از تصويربرداري ابرطيفي، شيوه هاي مختلف پيش پردازش و روش هاي آناليز چند متغيره (رگرسيون كمترين مربعات جزئي و شبكه عصبي مصنوعي) جهت پيشگويي رطوبت و سختي مغزهاي پسته طي شرايط مختلف برشته كردن (دما، زمان و سرعت جريان هواي برشته كردن) بوده است. نتايج نشان داد تصويربرداري ابرطيفي مي تواند به خوبي براي پيشگويي ميزان رطوبت و سختي مغزهاي پسته برشته شده به كار رود. بررسي ها نشان داد استفاده از روش هاي مختلف پيش پردازش مي تواند باعث كاهش خطاي پيشگويي و بهبود كيفيت مدل به دست آمده شود. روش شبكه عصبي مصنوعي بهتر از روش كمترين مربعات جزئي توانست براي پيشگويي ميزان رطوبت و سختي مغزهاي پسته برشته شده به كار رود. بهترين مدل براي پيشگويي رطوبت مغزهاي پسته برشته شده با انجام پيش پردازش هاي تبديل متغير نرمال استاندارد، موجك و مشتق اول به دست آمد كه ميزان ضريب تبيين 0/907 و ميزان خطاي پيشگويي 0/179 بود. براي پيشگويي سختي مغزهاي پسته برشته شده بهترين مدل از پيش پردازش هاي تبديل متغير نرمال استاندارد، موجك و مشتق دوم به دست آمد كه ميزان ضريب تبيين 0/876 و ميزان خطاي پيشگويي 5/216 به دست آمد.

With increasing demands about the quality and safety of food products, it's important to use accurate analytical methods for quality, healthy and safety of food products. Traditional methods of food control are time-consuming and expensive and they destroy samples. So, it's necessary to use automation. The objective of this study was to develop calibration models for prediction of the moisture content and hardness of pistachio kernels roasted in different conditions (temperatures 90, 120 and 150°C; times 20, 35 and 50 min and air velocities 0.5, 1.5 and 2.5 m/s) by using visible/near infrared hyperspectral imaging and multivariate analysis (Partial Least Squares (PLS) and Artificial Neural Network(ANN)). The results of this study showed that hyperspectral imaging can be used for prediction the moisture content and hardness of roasted pistachio kernels. To use pre-processing methods cause to decrease the prediction errors and improve models. ANN method could predict the moisture content and hardness of pistachio kernels better than PLS method. The best models for moisture content and hardness were SNV, First derivatives, Wavelet (RMSEP= 0.179, R2 =0.907) and SNV, second derivatives,Wavelet (RMSEP= 5.216, R2 =0.876) respectively