پايش تازگي گوشت قرمز با استفاده از تركيب طيف‌نگاري دي‌الكتريك و پردازش تصوير

Monitoring the red meat freshness by using combined dielectric spectroscopy and image processing

با توجه به اهميت كيفيت گوشت و ساير مواد غذايي مورد مصرف روزانه در رشد و سلامت جامعه انساني، توسعه سامانه‌هاي تشخيص و پايش كيفيت مواد غذايي بيش از پيش مورد توجه محققين مي‌باشد. در اين مطالعه 40 نمونه‌ گوشت گوساله در طي پنج روز ماندگاري در دماي پنج درجه سانتيگراد مورد تصويربرداري ماكروسكوپيك و طيف­نگاري توان دي­الكتريك در 20 فركانس از بازه MHz 100- 5 قرار گرفت. فرضيه مطالعه بر اين اساس بود كه با تركيب دو روش مذكور حجم اطلاعات مفيد حاصل از تغييرات فيزيكي و شيميايي گوشت به واسطه ماندگاري افزايش مي­يابد. در هر بار آزمايش مجموعا 42 ويژگي (توان دي­الكتريك در 20 فركانس­ مختلف بين MHz 100-5 و 22 ويژگي بافتي و رنگي تصوير) از هر نمونه استخراج شد. طبقه­بندي روز ماندگاري گوشت با استفاده از متغيرهاي دي­الكتريك و تصوير با اعمال پنج الگوريتم شبكه­هاي عصبي چند لايه پرسپترون (MLP)، رگرسيون منطقي چند جمله­اي (MRL)، درخت­هاي كاربردي (FT)، درخت­هاي مدل منطقي (LMT) و روش تجميعي بگينگ (Bagging) انجام گرفت. نتايج نشان داد كه توان دي­الكتريك در فركانس­هاي مختلف با افزايش ماندگاري تا روز پنجم كاهش يافت به طوري كه براي مثال از 250 ميكرو وات در فركانس پنج مگاهرتز در روز اول به 100 ميكرو وات در همين فركانس در روز پنجم رسيد. همچنين نتايج طبقه­بندي نشان داد كه متغيرهاي تصوير گوشت به تنهايي بيشتر از متغيرهاي دي‌الكتريك گوشت در طبقه­بندي روز ماندگاري موثر هستند اما با تجميع اين دو منبع اطلاعات حسگري و اعمال تكنيك كاهش بعد به روش مولفه­هاي اصلي (PCA) بر روي تمام ويژگي­ها، دقت طبقه­بندي 78 % براي الگوريتم درخت­هاي كاربردي (FT) و 77 % براي طبقه­بند تركيبي بگينگ (Bagging) با رده­بند پايه شبكه­هاي عصبي مصنوعي پرسپترون چند لايه (MLP) حاصل شد.

Regarding the importance of quality of meat and other daily consuming food stuffs in the growth and health of human society, development of quality diagnosing and monitoring systems for food materials are being paid increasing attention by investigators. In this study, 40 beef samples were subjected to macroscopic imaging and dielectric power spectroscopy at 20 frequencies in the range of 5-100 MHz during five days of storage at 5 ° C. It was hypothesized that combination of the two sensing methods would result in more information on physicochemical changes of meat during ageing. For any beef sample, 42 attributes (i.e. 20 dielectric variables including dielectric power at different frequencies and 22 texture and color features of the image) were extracted. Classification analyses for the day of storage were performed with five algorithms of neural networks including multi-layer perceptron (MLP), multinomial logistic regression (MRL), functional trees (FT), logistic model trees (LMT) and Bagging aggregation. The results showed that the dielectric power at different frequencies decreased with the storage day from e.g. 250 µW at 5 MHz on the first day to 100 µW at the same frequency on the fifth day. The results showed that image parameters of beef were more effective in classification than dielectric variables but combining the information of the both sensory techniques, after reduction using PCA, resulted in classification accuracies of %78 for functional tree (FT) algorithm and %77 for Bagging classification with MLP as the base classifier.