ﺳﺎزﻣﺎن ﭘﮋوهشهای ﻋﻠﻤﯽ و ﺻﻨﻌﺘﯽ اﯾﺮان فناوری‌های جدید در صنعت غذا 2783-350X 6 1 2018 11 22 Detection of pumpkin puree adulteration in tomato paste using a gas sensor array تشخیص تقلب پوره کدو در رب گوجه فرنگی با استفاده از آرایه حسگری گازی 137 148 717 10.22104/jift.2018.2982.1726 FA آیت محمدرزداری دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد مهدی قاسمی ورنامخواستی دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد سیده هدی یوسفیان دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد مریم سیادت استادیار، گروه مهندسی میکرو الکترونیک، دانشکده مهندسی، دانشگاه لورن زهرا ایزدی استادیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد سجاد رستمی دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد Journal Article 2018 06 18 Tomato is the second most important crop in the world, which is often consumed freshly. One of the most importance tomato products is paste that considered being the stuffing ingredient in Iranian foods. Therefore, the safety of tomato paste is so important. The aim of this study was diagnosis adulteration in tomato paste. For this purpose, olfactory machine system based on five gas sensors (TGS2600, TGS2620, MQ3, TGS880, TGS2610) was constructed and its potential was evaluated in determining the different levels of pumpkin adulteration in tomato paste (0, 5, 10, 15 and 20%). Pure tomato paste detection from adulteration samples was based on the samples smell in the head space and the receipt of smell by sensors. The principal component analysis (PCA), linear discriminant analysis (LDA), support vector machine (SVM) and partial least squares (PLS) were used to classify and analyze the extracted features of the sensor response. Results of PCA and PLS indicated that 99 and 94 percent of data variance was covered by two main components. TGS2610 and MQ-3 sensors and TGS880 sensor had the highest and lowest application in detection of tomato paste adulteration. The accuracy of the classification by the LDA method was 79.7%. The polynomial function with accuracy of 77.78% of the training and 76.66% validation in the C-SVM method and the radial base function with a precision of 98.8% of the training and 88.14% of Validation in the Nu-SVM method had the highest classification accuracy. In total, the olfactory machine system had acceptable performance in separation of different levels of adulteration. گوجه فرنگی دومین محصول پرطرفدار در سطح جهان است که اغلب به صورت تازه مصرف می‌شود. یکی از مهمترین فرآورده های گوجه فرنگی، رب می‌باشد که مهم‌ترین چاشنی در غذاهای ایرانی به‌شمار می‌آید بنابراین سلامت رب گوجه‌فرنگی از اهمیت ویژه ای برخوردار است. بررسی تقلب در رب گوجه فرنگی انگیزه اصلی انجام پژوهش حاضر بود. برای این منظور یک سامانه ماشین بویایی مبتنی بر پنج حسگر گازی (TGS2600, TGS2620, MQ3, TGS880, TGS2610) ساخته شد و پتانسیل آن در شناسایی سطوح مختلف تقلب پوره کدو حلوایی در رب گوجه فرنگی (0، 5، 10، 15 و 20 درصد) ارزیابی گردید. تفکیک رب خالص از نمونه‌های تقلب بر اساس بوی حاصل از نمونه‌ها در فضای هد نمونه و دریافت بو توسط حسگرها صورت گرفت. برای طبقه‌بندی و تحلیل ویژگی‌های مستخرج از پاسخ حسگرها، از روش‌های تحلیل مولفه اصلی (PCA)، تحلیل تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و حداقل مربعات جزئی (PLS) استفاده شد. نتایج PCA و PLS حاکی از پوشش 99 و 94 درصد از واریانس داده‌ها با دو مولفه اصلی بود. بر اساس نتایج تحلیل مولفه اصلی، حسگرهایTGS2610 و MQ-3 بیشترین و حسگر TGS880 کمترین اهمیت را در تشخیص تقلب رب داشتند. دقت طبقه بندی با روش LDA، 07/79 درصد بدست آمد. تابع چند جمله ای با دقت 77/87 درصد آموزش و 66/76 درصد اعتبارسنجی در روش C-SVM و تابع پایه شعاعی با دقت 84/98 درصد آموزش و 14/88 درصد اعتبارسنجی در روش Nu–SVM بیشترین دقت طبقه بندی را داشتند. در مجموع سیستم ماشین بویایی عملکرد قابل قبولی در تفکیک سطوح مختلف تقلب داشت. https://jift.irost.ir/article_717_fcadc53d1f607c9110518391a21d6543.pdf