ارزيابي الگوهاي شناسايي براي تشخيص ناخالصي روغن كنجد توسط سامانۀ ماشين‌بويايي مبتني بر تحليل چند متغيره

روغن كنجد يكي از روغن‌هاي بسيار با كيفيتِ خوراكي است كه قيمت بالاي آن، انگيزه را براي توليد نمونۀ تقلبي افزايش داده است. بنابراين، شناسايي ناخالصي به ويژه با ابزار يا روش‌هاي غيرتماسي براي تشخيص خلوص روغن كنجد نسبت به نوع تقلبي آن، اهميت زيادي دارد. در اين پژوهش، ميزان اسيد‌هاي چرب نمونه هاي خالص روغن كنجد، كلزا، آفتابگردان و تركيب آنها با سطوح ناخالصي (5، 10، 20، 30، 40 و50 درصد) به روش گازكروماتوگرافي تعيين و سپس، قابليت سامانۀ ماشين‌بويايي طراحي شده بر پايۀ ده حسگر نيمه‌هادي اكسيد فلزي براي تشخيص و طبقه‌بندي نمونه‌ها ارزيابي شد. پس از استخراج بردار ويژگيِ پاسخ حسگرها نسبت به تركيبات فرار مواد آلي روغن‌ها، داده‌هاي پيش‌پردازش شده با روش‌هاي تحليل چند‌متغيره تحليل مؤلفه‌هاي اصلي، تحليل تفكيك خطي، حداقل مربعات‌ جزئي، K-نزديك‌ترين همسايه و ماشين بردارپشتيبان به ‌منظور تشخيص و طبقه‌بندي نمونه‌هاي ناخالص، بررسي شدند. در روش‌ PCA، واريانس مجموعه داده‌ها 95.68 درصد به دست آمد. براي انتخاب الگوي مناسب با دقت بالا، داده‌هاي به دست آمده با روش‌هاي LDA، KNN و SVM طبقه‌بندي شدند. نتايج نشان داد ماشين بردارپشتيبان با تابع كرنل پايۀ ‌شعاعي در روش C-SVM داراي بيشترين دقت طبقه‌بندي بود و دقت آموزش و اعتبارسنجي به ترتيب 96.34 و 90.56 درصد به دست آمد. بعد از آن، مدل هاي LDA و KNN به ترتيب داراي دقت طبقه‌بندي 92.30 و 89.83 درصد بودند. بر پايه نتايج به دست آمده، اين سامانه به ‌همراه الگورتيم طبقه‌بندي مناسب مي‌تواند به عنوان روشي غيرمخرب براي طبقه‌بندي موفق نمونه ها و تشخيص ناخالصي‌هاي روغن كنجد به كار گرفته شود.