پیش‌بینی برخی خواص کیفی ارقام مختلف برنج سفید با استفاده از فناوری پردازش تصویر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجو ی دکتری دانشگاه محقق اربیلی

2 دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

3 دانشیار گروه مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی

چکیده

برنج یکی از رایج‌ترین و پرمصرف‌ترین مواد غذایی در جهان است. خواص کیفی ازجمله عوامل بسیار مهم در تعیین ویژگی‌های پخت و فرآوری برنج محسوب می‌شوند. یکی از مشکلات مهم در صنایع غذایی پیش‌بینی خواص کیفی می‌باشد. بنابراین در این مطالعه، امکان پیش‌بینی میزان آمیلوز (AC)، درجه حرارت ژلاتینه شدن (GT)، قوام ژل (GC)، میزان پروتئین (PC)، حداقل چسبندگی (MV)، حداکثر چسبندگی (PV)، چسبندگی نهایی (FV)، فروریختگی چسبندگی (BDV) و پس‌روی چسبندگی (SBV) از 100 نمونه تک‌دانه‌ برنج ارقام هاشمی، خزر و درفک با استفاده از فناوری پردازش تصویر در سه شرایط نورپردازی شامل نوردهی مستقیم با لامپ LED، نوردهی مستقیم با لامپ‌های LED و فلورسنت و نوردهی به‌صورت ضد نور انجام گردید. مدل‌های کالیبراسیون توسط رگرسیون خطی چند متغیره با حداقل مربعات جزئی (PLS) توسعه داده شد. مقادیر ضرایب تعیین کالیبراسیون متغیرهای AC، GT، GC، PC، MV، PV، FV، BDV و SBV در رقم هاشمی، خزر و درفک برای تمام تیمارها به ترتیب معادل 89/0 R2cal ≥، 95/0 R2cal ≥، 92/0 R2cal ≥ و ضرایب پیش‌بینی به ترتیب با 88/0 R2pre ≥، 94/0 R2pre ≥، 90/0 R2pre ≥ به دست آمد. نتایج رگرسیون PLS نشان داد که متغیرهای مستخرج از ویژگی‌های شکل و اندازه و متغیرهای رنگی R، G، B، L، a و b حاصل از پردازش تصویر می‌توانند پارامترهای کیفی برنج را با دقت قابل‌ملاحظه‌ای پیش‌بینی نمایند. درنتیجه می‌توان با استفاده از فناوری پردازش تصویر با هزینه کمتر و غیر مخرب برخی خواص کیفی برنج را با دقت خوبی پیش‌بینی کرد.

چکیده تصویری

پیش‌بینی برخی خواص کیفی ارقام مختلف برنج سفید با استفاده از فناوری پردازش تصویر

تازه های تحقیق

  • تمام روش‌های موجود برای اندازه‌گیری شاخص‌های کیفیت برنج ، پرهزینه یا وقت‌گیر هستند.
  • پیش‌بینی برخی خواص کیفی برنج با استفاده از فناوری پردازش تصویر با هزینه کمتر و غیر مخرب انجام می‌شود.
  • مساحت و ناحیه پوشش داده‌شده شی‌ء بیشترین متغیرهای مستقل تاثیرگذار برای پیش بینی خواص کیفی برنج می‌باشد.
  • بهترین پیش بینی خواص کیفی، تیمار نورپردازی با لامپ‌های LED و فلورسنت با دقت بالای 94/0 می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Predicting Some Quality Properties of Different White Rice Varieties by Image Processing Technology

نویسندگان [English]

  • nasrollah fazeli burestan 1
  • Amir hossein afkari siyyah 2
  • Ebrahim Taghinezhad 3
1 condedat Ph.D university of mohaghegh ardabili.
2 Associate Professor, Department of Biosystems Engineering, University of Mohaghegh Ardabili,
3 University of Mohaghegh Ardabili
چکیده [English]

Rice is one of the most common and most consumed foods in the world. Quality properties are among the most important factors in determining the cooking and processing characteristics of rice. One of the major problems in the food industry is predicting quality properties. Therefore, in this study, it is possible to predict amylose content (AC), gelatinization temperature (GT), gel consistency (GC), protein content (PC), minimum viscosity (MV), peak viscosity (PV), final viscosity (FV), breakdown viscosity (BDV) and setback viscosity (SBV) of 100 single grain rice samples of Hashemi, Khazar and Dorefak using image processing technology in three exposure treatments including high exposure with LED lamp, high exposure with LED lamp and fluorescent and Anti-light exposure. Calibration models were developed by multivariate linear least squares (PLS) regression. Calibration coefficients of calibration coefficients of variables AC, GT, GC, PC, MV, PV, FV, BDV and SBV in Hashemi, Khazar and Darfak varieties for all treatments were R2cal ≥ 0.89, R2cal ≥ 0.95, and R2cal ≥ 0.92 respectively. prediction coefficients were obtained with R2pre ≥ 0.88, R2pre ≥ 0.94 and R2pre ≥ 0.90, respectively. The results of PLS regression showed that the variables derived from the shape and size characteristics and color variables R,, G, B, L, a and b of image processing were able to predict the rice quality parameters with good accuracy. As a result, using low-cost, non-destructive image processing technology can predict some of the qualitative properties of rice.

کلیدواژه‌ها [English]

  • Image Processing
  • Quality properties
  • Rice single kernels
[1] Vithu, P., Tech, M., & Moses, J. A. (2016). Machine vision system for food grain quality evalution: A review. Journal of Trends In Food Science & Technology, 56, 13-20.
[2] Tomlins, K., Manful, J., Gayin, J., Kudjawu, B., & Tamakloe, I. (2007). Study of sensory evaluation, consumer acceptability, affordability and market price of rice. J. Sci.Food Agric., 87, 1564–1575.
[3] Kuchekar, N. A., & Yerigeri, V. V. (2018). Rice Grain Quality Grading Using Digital Image Processing Techniques. IOSR Journal of Electronics and Communication Engineering (IOSR-JECE), 13 (3), 84-88.
[4] Wang, N. N., Sun, D. W., Yang, Y. C., Pu, H., & Zhu, Z. (2016). Recent Advances in the Application of Hyper spectral Imaging for Evaluating Fruit Quality. Food Analytical Methods, 9, 178-191.
[5] Maheshwari, C.V, Jain, K. R, & Modi, C.K. (2012). Non-destructive quality analysis of Indian Basmati Oryza sativa SSP indica (Rice) using image processing, In: Int. Conf. on Communication Systems and Network Technologies (CSNT), (pp. 189-193), 10-14 May, Rajkot, India.
[6] Mousavirad, S.J., Tab, F.A., & Mollazade K. (2012). Design of an Expert System for Rice Kernel Identification Using Optimal Morphological Features and Back Propagation Neural Network. International Journal of Applied Information Systems, 3(2), 33-37.
[7] Vidya, P., & Malemath, V. S. (2015). Quality Analysis and Grading Of Rice Grain Images. International Journal of Innovative Research in Computer and Communication Engineering, 3(6), 5672-5678.
[8] Mittal, S., Dutta, M. K., & Issac, A. (2019). Non-destructive image processing based system for assessment of rice quality and defects for classification according to inferred commercial value. Measurement, 148, 1-8. https://doi.org/10.1016/j.measurement.2019.106969.
[9] Nalladurai, K., Alagusundaram, K., & Gayathri, P. (2003). Effects of variety and moisture content on the engineering properties of paddy and rice. The Ameican Medical A ssociation (AMA), 34(2), 47-52.
[10] Juliano, B. (1971). A simplified assay for milled rice amylose. Cereal Science Today, 16, 334–360.
[11] Champagne, E., Bett, K., Vinyard, B., Mcclung, A., Barton, F., Moldenhauer, K., Linscombe, S., & Mckenzie, K. (1999). Correlation between cooked rice texture and Rapid Visco Analyses measurements. Cereal Chemistry, 76, 764-771.
[12] Cagampang, G. (1973). A gel consistency test for eating quality of rice. Journal Sci. Food and Agric., 24(12), 1589-94.
[13]  Xu, Y. L., Xiong, S. B., Li, Y. B., & Zhao, S. M. (2008). Study on creep properties of indica rice gel. Journal of Food Engineering, 86, 10–16.
[14] Kesarwani, A., Chiang, P., & Chen, S. (2016). Rapid Visco Analyzer Measurements of japonica Rice Cultivars to Study Interrelationship between Pasting Properties and Farming System. International Journal of Agronomy, 3595326, 1-6.
[15] Patel, K., Kar, A., Jha, S., & Khan, M. (2012). Machine vision system: a tool for quality inspection of food and agricultural products. J. Food Sci Technol., 49(2), 123–141.
[16] Chen, J., Miao, Y., Sato, S., & Zhang, H. (2008). Near infrared spectroscopy for determination of the protein composition of rice flour. J. Food Science Technology Research, 14(2), 132–138.
[17] Siriphollakul, P., Nakano, K., Kanlayanarat, S., Ohashi, S., Sakai, R., Rittiron, R., & Maniwara, P. (2017). Eating quality evaluation of KhaoDawk Mali 105 rice using near infrared spectroscopy. LWT - Food Science and Technol., 79, 70-77.
[18] Nicolai, B., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K., & Lammertyn, J. (2007). Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest Biology and Technology, 46, 99-118
[19] Heidarbeigi, K., Mohtasebi, S. S., Foroughirad, A., Ghasemi-Varnamkhasti, M., Rafiee, S., & Rezaei, K. (2015). Detection of adulteration in saffron samples using electronic nose. International Journal of Food Properties, 18(7), 1391-1401.
[20] Mabood, F., Hussain, J., Jabeen, F., Abbas, G., Allaham, B. A., Albroumi, M., & Haq, Q. M. (2018). Applications of FT-NIRS combined with PLS multivariate methods for the detection & quantification of saccharin adulteration incommercial fruit juices. Food Addit Contam., 35(6), 1052-1060.