ساخت و توسعه يك سامانه‌ي ماشين بويايي در تركيب با روش‌هاي شناسايي الگو براي تشخيص تقلب فرمالين در شير خام

Fabrication and development of a machine olfaction system combined with pattern recognition techniques for detecting formalin adulteration in raw milk

تقلب در شير و ديگر محصولات لبني نه تنها يك تهديد جدي براي سلامت انسان است بلكه زيان­هاي اقتصادي متعددي را نيز به دنبال دارد. از جمله تقلبات رايج در شير خام، استفاده از مواد بازدارنده بار ميكروبي است. در اين پژوهش، يك سامانه­ي ماشين بويايي (بيني الكترونيكي) بر پايه هشت حسگر نيمه هادي اكسـيد فلـزي (MOS) ساخته شد و قابليت آن در تشخيص مقادير مختلف فرمالين در شير خام (0، 05/0، 1/0، 2/0 و 3/0 درصد) مورد بررسي قرار گرفت. بردار ويژگي­ها از سيگنال پاسخ حسگرها استخراج و به عنوان ورودي مدل­هاي تشخيص الگو استفاده شد. بر اساس نتايج حاصل، آناليز مؤلفه­هاي اصلي با دو مولفه­ي PC1 و PC2، % 93 از واريانس داده­ها را پوشش داد. در مجموعه­ي حسگري، حسگرهاي MQ4، FIS، TGS822 و TGS2620 بالاترين مقادير ضريب لودينگ و حسگر TGS2602 كمترين مقدار اين ضريب را به خود اختصاص دادند. همچنين استفاده از روش تحليل تفكيك خطي، دقت طبقه­بندي 1/80% را نشان داد. با كاربرد ماشين بردار پشتيبان با تابع چندجمله­اي درجه سه، دقت آموزش و اعتبارسنجي طبقه­بندي به ترتيب 100 %و 91/90 % به دست آمد. دقت طبقه­بندي كل نيز با به كارگيري تكنيك شبكه­هاي عصبي مصنوعي 100% به دست آمد.

Adulteration in milk and other dairy products not only is a serious threat to human health but also leads to the economic losses in the dairy industry. Utilization of the materials reducing microbial load is a common adulteration. In this study, a machine olfaction (electronic nose) based on 8 metal oxide semiconductor (MOS) sensors was fabricated and developed and its capability to formalin detection in the raw milk was investigated. Feature vector was then extracted from the sensors’ response and used as the inputs to pattern recognition models. Based on the obtained results, Principal Component Analysis (PCA) with two first PCs (PC1 and PC2) could describe 93 % of variance within data. In the sensor array, MQ4, FIS, TGS822, and TGS2620 sensors had the highest loading coefficient values whilst TGS2602 devoted the lowest loading value. Linear Discriminant Analysis (LDA) revealed the classification accuracy as 80.1 %. Support Vector Machine (SVM) with three order multinomial kernel function showed the training and validation accuracy values as 100% and 90.91%, respectively. Also, the full success rate was obtained for overall classification using the artificial neural network.