تخمین غیرمستقیم تغییرات جرم و نسبت شکلی گوجه‌‌فرنگی‌های گیلاسی پوشش‌دار شده با‌ ژل آلوئه‌ورا به کمک تکنیک پردازش تصویر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

2 استادیار، دانشگاه زنجان، دانشکده کشاورزی، گروه علوم و مهندسی صنایع غذائی، صندوق پستی 45195-313

3 گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

چکیده

تخمین تغییرات جرم و شکل میوه‌ها و سبزی‌ها به کمک تکنیک پردازش تصویر یکی از پیشرفت‌های اخیر در زمینه فناوری پس از برداشت است. در این پژوهش تغییرات جرم و نسبت شکلی گوجه‌فرنگی‌های گیلاسی پوشش‌دار شده با غلظت‌های مختلف از ژل آلوئه‌ورا (0، 25، 50، 75 و 100 درصد) طی مدت زمان نگهداری در دمای محیط مورد بررسی قرار گرفت. بدین منظور پس از پیش‌پردازش تصاویر، خصیصه‌های ابعادی (مساحت، قطر اصلی و فرعی) و نیز نسبت شکلی استخراج گردید. سپس با کمک مدل‌های خطی و منحنی توان رابطه بین خصیصه‌های استخراجی از تصاویر و جرم واقعی مشخص شد. نتایج نشان داد که مدل خطی توانست به خوبی تغییرات جرم بر حسب مساحت حاصل از تصویر را مدل نماید (9895/0=R2) که میزان صحت تخمین جرم برابر 9729/0 بود. نتایج همچنین کارایی این سیستم را برای تخمین تغییرات جرم طی نگهداری با میانگین خطای نسبی 359/3 درصد نشان داد. این امر نشان‌دهنده ارتباط بسیار قوی بین خصیصه‌های ابعادی و جرم می‌باشد. محاسبه نسبت شکلی بر مبنای قطر طولی و قطر عرضی مشخص کرد که شکل گوجه‌فرنگی‌های گیلاسی پوشش‌دار شده به سبب از دست دادن رطوبت از حالت دوکی به حالت استوانه‌ای تغییر می‌کند (از نسبت شکلی 1/1 تا 7/1) که روند این تغییرات با افزایش درصد ژل آلوئه‌ورا کاهش یافت.

چکیده تصویری

تخمین غیرمستقیم تغییرات جرم و نسبت شکلی گوجه‌‌فرنگی‌های گیلاسی پوشش‌دار شده با‌ ژل آلوئه‌ورا به کمک تکنیک پردازش تصویر

تازه های تحقیق

  • گوجه‌فرنگی‌های گیلاسی با ژل آلوئه‌ورا به منظور به تاخیر انداختن تغییرات پس از برداشت پوشش‌دار شدند.
  • از تکنیک پردازش تصویر به منظور ارزیابی غیرمستقیم تغییرات جرم و نسبت شکلی استفاده شد.
  • مدل‌سازی تغییرات جرم بر حسب مساحت حاصل از تصویر به خوبی توسط مدل خطی صورت پذیرفت.
  • طی نگهداری نسبت شکلی از حالت دوکی به حالت استوانه‌ای تغییر یافت.
  • روند تغییرات نسبت شکلی با افزایش غلظت ژل آلوئه‌ورا کاهش یافت.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Indirect Estimation of Mass and Shape Ratio Changes of Aloe vera gel Coated Cherry Tomatoes Using Image Processing Technique

نویسندگان [English]

  • Ali Ganjloo 1
  • Mohsen Zandi 2
  • Mandana Bimakr 1
  • Samaneh Monajem 3
1 Department of Food Science and Engineering, Faculty of Agriculture, University of Zanjan, Zanjan, Iran
2 Department Food Science and Engineering, Faculty of Agriculture, University of Zanjan, Zanjan, Iran, P.O.Box 45195-313, IRAN
3 Department of Food Science and Engineering, Faculty of Agriculture, University of Zanjan, Zanjan, Iran
چکیده [English]

Mass and shape ratio changes estimation of fruits and vegetables using image processing technique is one of the latest advances in post-harvest technology. In this study, changes in mass and shape ratio of cherry tomatoes coated with different concentrations of aloe vera gel (0, 25, 50, 75 and 100%) during storage time at ambient temperature were investigated. For this purpose, after pre-processing of the images, dimensional features (area, main and sub-diameter) as well as the shape ratio were extracted. Then, the relationship between the extracted features of the images and the actual mass was determined using linear and power curve models. The results showed that the linear model well fitted the mass changes in term of the area of the image (R2 = 0.9895) with the accuracy of 0.9729. The results also revealed the efficiency of this system to estimate mass changes during storage with an average relative error of 3.359%. This indicates a very strong relationship between dimensional and mass characteristics. Shape ratio estimation based on the longitudinal and transverse diameters showed that the shape of the coated cherry tomatoes changes due to the loss of moisture from the spindle to the cylindrical shape (shape ratio from 1.1 to 1.7) which this trend decreased with increasing the percentage of aloe vera gel concentration.

کلیدواژه‌ها [English]

  • Cherry tomato
  • Aloe vera
  • Vision machine
  • Shape ratio
  • Mass changes

مراجع

[1]‌ FAOSTAT. Food and Agriculture Organization (FAO), Statistics, 2017 ed. http://www.fao.org/faostat/en. 2017.
[2]‌ Rizzolo, A., Vanoli, M., Spinelli, L., & Torricelli, A. (2010). Sensory characteristics, quality and optical properties measured by time-resolved reflectance spectroscopy in stored apples. Postharvest. Biol. Technol., 58 (1), 1-12.
[3]‌ Bhowmik, D., Kumar, K.P.S., Paswan, S., & Srivastava, S. (2012). Tomato-a natural medicine and its health benefits. J. Ph. Phy., 1, 33-43.
[4]‌ Chang, C.H., Lin, H.Y., Chang, C.Y., & Liu, Y.C. (2006). Comparisons on the antioxidant properties of fresh, freeze-dried and hot-air-dried tomatoes. J. Food Eng., 77, 478-485.
[5]‌ Kumar, K., Paswan, S., & Srivastava, S. (2012). Tomato-a natural Medicine and its health benefits. J. Ph. Phy., 1(1), 24-36.
[6]‌ Femenia, A., Sanchez, E.S., Simal, S., & Rosello, C. (1999). Compositional features of polysaccharides from Aloe vera (Aloe barbadensis Miller) plant tissues. Carbohydr.Polym., 39, 109-117.
[7]‌ Mattone, R., Campagiorni, G., & Galati, F. (2000). Sorting of items on a moving conveyor belt. Part 1:a technique for detecting and classifying objects. Robot Comput Integrated Manuf., 16(2), 73-80.
[8]‌ Pordarbani, R., Gasemzadeh, H.R., Golzadeh, A.A., & Behfar, H. (2009). Feasibility study of apple quality grading using image processing. J. Food Res., 19(1), 75-85. [In Persian]
[9]‌ Moreda, G., Ortiz-Cañavate, J., García-Ramos, F.J., & Ruiz-Altisent, M.J. (2009). Non-destructive technologies for fruit and vegetable size determination-a review. J.Food Eng., 92(2), 119-136.
[10] Omid, M., Khojasteh nazhand, M., & Tabatabaeefar, A. (2010). Estimating volume and mass of citrus fruits by image processing technique. J. Food Eng., 100 (2), 315-321.
[11]‌ Duzyaman, E., & Duzyaman, B.U. (2005). Fine-tuned head weight estimation in globe artichoke (Cynara scolymus L.). Hortscience., 40(3), 525-528.
[12]‌ Jadhav, T., Singh, K., & Abhyankar, A. (2019). Volumetric estimation using 3D reconstruction Method for grading of fruits. Multimed. Tools. Appl., 78, 1613-1634.
[13]‌ Chopin, J., Laga, H., & Miklavcic, SJ. (2017). A new method for accurate, high-throughput volume estimation from three 2D projective images. Int. J. Food Prop., 20(10), 2344–2357
[14]‌ Vivek Venkatesh, G., Iqbal, S.M., Gopal, A., & Ganesan, D. (2015). Estimation of volume and mass of axi-symmetric fruits using image processing technique. Int. J. Food Prop., 18(3), 608-626.
[15]‌ Nyalala, I., Okinda, C., Nyalala, L., Makange, N., Chao, Q., & Yousaf, K. (2019). Tomato volume and mass estimation using computer vision and machine learning algorithms: Cherry tomato model. J. Food Eng., 263, 288-298.
[16]‌ Calixto, R.R., Pinheiro, Neto, L.G., Cavalcante, TdS., Aragão, M.F., & Silva, EdO. (2019). A computer vision model development for size and weight estimation of yellow melon in the Brazilian northeast. Sci Hort., 256, 108521.
[17]‌ Valverde, J.M., Valero, D., Martinez-Romero, D., Guillen, F., Castillo, S., & Serrano, M. (2005). Novel coating based on Aloe vera gel to maintain table grape quality and safety. J. Agric. Food Chem., 53, 7807-7813.
[18]‌ Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions On Systems, Man, And Cybernetics., 9(1), 62-66.
[19] Vogler, B.K., & Ernst, E. (1999). Aloe vera: a systematic review of its clinical effectiveness. Br. J. Gen. Pract., 49, 823–828.
[20]‌ Ni, Y.D., Turner, K., Yates, M., & Tizard, I. (2004). Isolation and characterization of structural components of Aloe vera L. leaf pulp. Int. Immunopharmacol., 4, 1745–1755.
[21]‌ Ergun, M., & Satici, F. (2012). Use of Aloe Vera gel as biopreservation for ‘Granny Smith’ and ‘Red Chief’ apples. J. Animal Plant Sci., 22(2), 363–368.
[22]‌ Hazrati, S., Beyraghdar Kashkooli, A., Habibzadeh, F., Tahmasebi-Sarvestani, Z., & Sadeghi, A.R. (2017). Evaluation of Aloe Vera gel as an alternative edible coating for peach fruits during cold storage period. Gesunde Pflanzen., 69, 131-137.
[23]‌ Morillon, V., Debeaufort, F., Blond, G., Capelle, M., & Voilley, A. (2002). Factors affecting the moisture permeability of lipid-based edible films: a review. Crit. Rev Food Sci. Nutr.,42,67–89.
[24]‌ Viazzi, S., Van Hoestenberghe, S., Goddeeris, B., & Berckmans, D. (2015). Automatic mass estimation of Jade perch scortum barcoo by computer vision. Aquacult Eng., 64, 42-48.
[25]‌ Utai, K., Nagle, M., Hämmerle, S., Spreer, W., Mahayothee, B., & Müller, J. (2019). Mass estimation of mango fruits (Mangifera Indica L., cv.‘Nam Dokmai’) by linking image processing and artificial neural network. Eng. In Agri, Envi. Food., 12(1), 103-110.
فناوری‌های جدید در صنعت غذا
دوره 7، شماره 4
مرداد 1399
صفحه 551-565

فایل ها

سابقه مقاله

  • تاریخ دریافت: 10 تیر 1399
  • تاریخ بازنگری: 19 شهریور 1399
  • تاریخ پذیرش: 15 مهر 1399

هم رسانی

ارجاع به این مقاله

آمار