بازشناسي الگوي اسپكتروسكوپي فرو سرخ نزديك براي تفكيك غير مخرب پرتقال‌ها بر اساس شاخص مزه

Pattern Recognition of Near-Infrared Spectroscopy for Non-Destructive Discrimination of Oranges Based on Taste Index

در سال‌های اخیر، كاربرد اسپكتروسكوپی فروسرخ نزدیك (NIR) به عنوان یك روش غیرمخرب در تركیب با روش‌های شیمی‌سنجی به منظور ارزیابی كیفیت محصولات كشاورزی و غذایی به طور گسترده‌ای مورد توجه قرار گرفته است. در روش‌های شیمی‌سنجی، آنالیزهای كیفی موضوعات مهمی هستند كه می‌توانند به مسئله بازشناسی الگو نسبت داده شوند. در این پژوهش، توانایی روش‌های بازشناسی الگو در تركیب با اسپكتروسكوپی NIR بازتابی به منظور تفكیك غیر مخرب مزه پرتقال‌ها بررسی شد. برای این منظور، روش‌های بازشناسی الگوی نظارت‌نشده و نظارت‌شده، خوشه‌بندی سلسله مراتبی (HCA) و مدل‌سازی مستقل نرم شباهت‌های طبقه (SIMCA)، به ترتیب برای امكان‌سنجی تفكیك واریته‌های پرتقال و طبقه‌بندی (بر اساس مزه آنها) بر پایه اطلاعات طیفی محدوده‌ nm 1650- 930 استفاده شدند. آنالیزهای كیفی نشان داد كه طیف‌های NIR واریته‌های پرتقال به خوبی با بازشناسی الگوی نظارت‌نشده HCA خوشه‌بندی شدند. هم‌چنین، بازشناسی الگوی نظارت‌شده SIMCA برای طیف‌های NIR پرتقال‌ها نتایج عالی طبقه‌بندی واریته‌ بر اساس شاخص BrimA را در سطح احتمال 5 درصد در بر داشت (دقت طبقه‌بندی 57/98 درصد). هم‌چنین، طول موج‌های nm 5/1047، nm1502، و nm1475 سهم بیش‌تری نسبت به سایر طول موج‌ها در تفكیك دو طبقه بر عهده داشتند. نمونه‌های دارای مقدارهای یكسان شاخص BrimA نیز به‌درستی با دقت طبقه‌بندی بالا (45/95 درصد) در سطح احتمال 5 درصد طبقه‌بندی شدند. قدرت تفكیك طول موج‌های nm 1475، nm1583، و nm 75/1436 برای دستیابی به این طبقه‌بندی بسیار بیش‌تر از سایر طول موج‌ها بود. بنابراین، اسپكتروسكوپی NIR بازتابی در تركیب با روش‌های بازشناسی الگو می‌تواند برای تشخیص سایر ویژگی‌های مزه نیز به‌كار رود.

In recent years, application of near-infrared spectroscopy (NIR) as a non-destructive technique combined with chemometric methods has been widely noticed for quality assessment of food and agricultural products. In chemometric methods, quality analyses are important issues which could be related to pattern recognition. In this research, the feasibility of pattern recognition methods combined with reflectance NIR spectroscopy for non-destructive discrimination of oranges based on their tastes was investigated. To this end, both unsupervised and supervised pattern recognition techniques, hierarchical cluster analysis (HCA) and soft independent modeling of class analogies (SIMCA) were used for assessing the feasibility of variety discrimination and classification (according to their taste), respectively, based on the spectral information of 930-1650nm range. Qualitative analyses indicated that NIR spectra of orange varieties were correctly clustered using unsupervised pattern recognition of HCA. It was also concluded that supervised pattern recognition of SIMCA for NIR spectra of oranges provided excellent results of variety classification based on BrimA index at 5% significance level (classification accuracy of 98.57%). Moreover, wavelengths of 1047.5nm, 1502nm, and 1475nm contributed more than other wavelengths in discriminating two classes. Samples having the same BrimA index were also correctly classified with the high classification accuracy (95.45%) at 5% significance level. The discrimination power of wavelengths of 1475nm, 1583nm, and 1436.75nm were more than those for other wavelengths to achieve this classification. Therefore, reflectance NIR spectroscopy combined with pattern recognition methods can be utilized for determination of other attributes related to taste.