پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,826 |
| تعداد مقالات | 73,630 |
| تعداد مشاهده مقاله | 135,044,760 |
| تعداد دریافت فایل اصل مقاله | 105,342,861 |
تشخیص تقلب چربی و گوشت مرغ در گوشت گوسفند با استفاده از طیف‌سنجی VIS/NIR و مدل LDA | ||
| مهندسی بیوسیستم ایران | ||
| دوره 56، شماره 1، فروردین 1404، صفحه 71-82 اصل مقاله (1.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2025.388079.665577 | ||
| نویسندگان | ||
| امیر کاظمی* 1؛ اصغر محمودی2؛ هادی ولادی3؛ ارش جوانمرد4 | ||
| 1گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 2گروه بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، ایران | ||
| 3گروه مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران | ||
| 4گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| تقلب در گوشت، به‌عنوان یکی از اصلی‌ترین و مغذی‌ترین مواد غذایی انسان، تهدیدات جدی برای سلامتی و اقتصاد مصرف‌کننده به همراه دارد. این پژوهش به بررسی تشخیص تقلب در گوشت گوسفند با چربی و گوشت مرغ از طریق طیف‌سنجی VIS/NIR در محدوده 200 تا 1100 نانومتر پرداخته است. نمونه‌های تقلبی به‌صورت دستی و با سطوح تقلب وزنی 5، 10، 15 و 20 درصد تهیه شدند. در مجموع، 190 نمونه مورد بررسی قرار گرفت که هرکدام دارای وزن 10 گرم بودند. برای حذف اثرات افزایشی و پراکندگی در داده‌های طیفی، از روش‌های مختلف پیش‌پردازش شامل مشتقات و تصحیح پراکندگی استفاده شد. تحلیل مؤلفه‌های اصلی (PCA) به‌منظور کاهش متغیرها و خوشه‌بندی داده‌ها و مدل تحلیل تفکیک خطی (LDA) با پیش‌پردازش‌های متنوع برای جداسازی نمونه‌های گوشت به کار گرفته شدند. بهترین دقت پیش‌بینی، 70/76 درصد برای داده‌های 3 کلاس و 92/89 درصد برای داده‌های 9 کلاس، با استفاده از پیش‌پردازش ساویتزی-گولای حاصل شد. این نتایج بیانگر قابلیت بالای طیف‌سنجی VIS/NIR همراه با روش‌های شیمی‌سنجی در شناسایی تقلب در گوشت چرخ‌کرده گوسفند است. یافته‌های این مطالعه می‌توانند گامی مؤثر در بهبود کیفیت و ایمنی غذایی و کاهش خطرات مرتبط با تقلب در محصولات گوشتی محسوب شوند. | ||
| کلیدواژه‌ها | ||
| طیف‌سنجی؛ تقلب؛ گوشت؛ PCA؛ LDA | ||
| عنوان مقاله [English] | ||
| Detection of fat and chicken adulteration in lamb using VIS/NIR spectroscopy and LDA model | ||
| نویسندگان [English] | ||
| Amit Kazemi1؛ Asghar Mahmoudi2؛ Hadi Veladi3؛ Arash Javanmard4 | ||
| 1Department of Biosystem engineering, faculty of agriculture, Tabriz university, Tabriz, Iran | ||
| 2Biosystem engineering department , agriculture faculty . university of Tabriz , Iran | ||
| 3Department of Electrical and computer engineering, university of Tabriz, Tabriz, Iran | ||
| 4Department of Animal Science, Faculty of Agriculture, University of Tabriz, | ||
| چکیده [English] | ||
| Meat adulteration, as one of the most essential and nutritious human food sources, poses significant health and economic threats to consumers. This study investigates the detection of adulteration in minced lamb meat with fat and chicken meat using VIS/NIR spectroscopy in the range of 200–1100 nm. Adulterated samples were manually prepared at weight-based adulteration levels of 5%, 10%, 15%, and 20%. A total of 190 samples, each weighing 10 grams, were analyzed. To eliminate additive and scattering effects in the spectral data, various preprocessing methods, including derivatives and scatter correction, were applied. Principal Component Analysis (PCA) was employed for variable reduction and clustering, while Linear Discriminant Analysis (LDA) with different preprocessing techniques was used to classify the meat samples. The best accuracy, 76.70% for 3-class data and 89.92% for 9-class data, was achieved using Savitzky-Golay preprocessing. The results demonstrate the high potential of VIS/NIR spectroscopy combined with chemometric methods in detecting adulteration in minced lamb meat. The findings of this study can play an effective role in improving food quality and safety and mitigating risks associated with adulterated meat products. | ||
| کلیدواژه‌ها [English] | ||
| Spectroscopy, adulteration, meat, PCA, LDA | ||
| مراجع | ||
|
Barbin, D., Badaró, A., Honorato, D., Ida, E., & Shimokomaki, M. (2019). Identification of turkey meat and processed products using near infrared spectroscopy. Food Control, 107, 106816. doi:10.1016/j.foodcont.2019.106816 Candoğan, K., Altuntas, E. G., & İğci, N. (2021). Authentication and Quality Assessment of Meat Products by Fourier-Transform Infrared (FTIR) Spectroscopy. Food Engineering Reviews, 13(1), 66-91. doi:10.1007/s12393-020-09251-y De Girolamo, A., Cervellieri, S., Mancini, E., Pascale, M., Logrieco, A. F., & Lippolis, V. (2020). Rapid Authentication of 100% Italian Durum Wheat Pasta by FT-NIR Spectroscopy Combined with Chemometric Tools. Foods, 9(11). doi:10.3390/foods9111551 Deniz, E., Gunes Altuntas, E., Ayhan, B., İğci, N., Demiralp, D., & Candogan, K. (2018). Differentiation of beef mixtures adulterated with chicken or turkey meat using FTIR spectroscopy. Journal of Food Processing and Preservation, 42, e13767. doi:10.1111/jfpp.13767 Dixit, Y., Casado-Gavalda, M. P., Cama-Moncunill, R., Cama-Moncunill, X., Markiewicz-Keszycka, M., Cullen, P. J., & Sullivan, C. (2017). Developments and Challenges in Online NIR Spectroscopy for Meat Processing. Compr Rev Food Sci Food Saf, 16(6), 1172-1187. doi:10.1111/1541-4337.12295 Hu, Y., Zou, L., Huang, X., & Lu, X. (2017). Detection and quantification of offal content in ground beef meat using vibrational spectroscopic-based chemometric analysis. Sci Rep, 7(1), 15162. doi:10.1038/s41598-017-15389-3 Kamruzzaman, M., Barbin, D., ElMasry, G., Sun, D.-W., & Allen, P. (2012). Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat. Innovative Food Science & Emerging Technologies, 16, 316-325. doi:https://doi.org/10.1016/j.ifset.2012.07.007 Kamruzzaman, M., Makino, Y., & Oshita, S. (2016). Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning. Journal of Food Engineering, 170, 8-15. doi:https://doi.org/10.1016/j.jfoodeng.2015.08.023 Kazemi, A., Mahmoudi, A., & Khojastehnazhand, M. (2023). Detection of sodium hydrosulfite adulteration in wheat flour by FT-MIR spectroscopy. Journal of Food Measurement and Characterization, 17(2), 1932-1939. doi:10.1007/s11694-022-01763-x Kazemi, A., Mahmoudi, A., Veladi, H., Javanmard, A., & Khojastehnazhand, M. (2022). Rapid identification and quantification of intramuscular fat adulteration in lamb meat with VIS–NIR spectroscopy and chemometrics methods. Journal of Food Measurement and Characterization, 16(3), 2400-2410. doi:10.1007/s11694-022-01352-y Khojastehnazhand, M., & Roostaei, M. (2022). Classification of seven Iranian wheat varieties using texture features. Expert Systems with Applications, 199, 117014. doi:https://doi.org/10.1016/j.eswa.2022.117014 Leng, T., Li, F., Xiong, L., Xiong, Q., Zhu, M., & Chen, Y. (2020). Quantitative detection of binary and ternary adulteration of minced beef meat with pork and duck meat by NIR combined with chemometrics. Food Control, 113, 107203. doi:https://doi.org/10.1016/j.foodcont.2020.107203 Millar, S. J., Moss, B. W., & Stevenson, M. H. (1996). Some observations on the absorption spectra of various myoglobin derivatives found in meat. Meat Science, 42(3), 277-288. doi:https://doi.org/10.1016/0309-1740(94)00045-X Nobari Moghaddam, H., Tamiji, Z., Akbari Lakeh, M., Khoshayand, M. R., & Haji Mahmoodi, M. (2022). Multivariate analysis of food fraud: A review of NIR based instruments in tandem with chemometrics. Journal of Food Composition and Analysis, 107, 104343. doi:https://doi.org/10.1016/j.jfca.2021.104343 Nolasco Perez, I. M., Badaró, A. T., Barbon, S., Jr., Barbon, A. P. A., Pollonio, M. A. R., & Barbin, D. F. (2018). Classification of Chicken Parts Using a Portable Near-Infrared (NIR) Spectrophotometer and Machine Learning. Appl Spectrosc, 72(12), 1774-1780. doi:10.1177/0003702818788878 Pan, F., Song, G., Gan, X., & Gu, Q. (2014). Consistent feature selection and its application to face recognition. Journal of Intelligent Information Systems, 43, 307-321. doi:10.1007/s10844-014-0324-5 Peyvasteh, M., Popov, A., Bykov, A., & Meglinski, I. (2019). Meat freshness evaluation using visible to near-infrared spectroscopy (Conference Presentation). Rady, A., & Adedeji, A. (2018). Assessing different processed meats for adulterants using visible-near-infrared spectroscopy. Meat Science, 136, 59-67. doi:https://doi.org/10.1016/j.meatsci.2017.10.014 Rashvand, M., Omid, M., Mobli, H., & Firouz, M. S. (2016). Adulteration detection in olive oil using dielectric technique and data mining. Sensing and Bio-Sensing Research, 11, 33-36. doi:https://doi.org/10.1016/j.sbsr.2016.10.005 Rinnan, Å., Berg, F. v. d., & Engelsen, S. B. (2009). Review of the most common pre-processing techniques for near-infrared spectra. TrAC Trends in Analytical Chemistry, 28(10), 1201-1222. doi:https://doi.org/10.1016/j.trac.2009.07.007 Rohman, A., Sismindari, Erwanto, Y., & Che Man, Y. B. (2011). Analysis of pork adulteration in beef meatball using Fourier transform infrared (FTIR) spectroscopy. Meat Science, 88(1), 91-95. doi:https://doi.org/10.1016/j.meatsci.2010.12.007 Wang, H.-P., Chen, P., Dai, J.-W., Liu, D., Li, J.-Y., Xu, Y.-P., & Chu, X.-L. (2022). Recent advances of chemometric calibration methods in modern spectroscopy: Algorithms, strategy, and related issues. TrAC Trends in Analytical Chemistry, 153, 116648. doi:https://doi.org/10.1016/j.trac.2022.116648 Weng, S., Guo, B., Tang, P., Yin, X., Pan, F., Zhao, J., . . . Zhang, D. (2020). Rapid detection of adulteration of minced beef using Vis/NIR reflectance spectroscopy with multivariate methods. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 230, 118005. doi:https://doi.org/10.1016/j.saa.2019.118005 | ||
|
آمار تعداد مشاهده مقاله: 95 تعداد دریافت فایل اصل مقاله: 87 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب