تشخیص غیرمخرب فعالیت آنزیم پراکسیداز ارقام مختلف آلو با استفاده از طیف‌سنجی VIS/NIR و روش‌های یادگیری ماشین

لطیفی عموقین, میثم; عباسپور گیلانده, یوسف

doi:10.22104/ift.2025.7883.2239

تشخیص غیرمخرب فعالیت آنزیم پراکسیداز ارقام مختلف آلو با استفاده از طیف‌سنجی VIS/NIR و روش‌های یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

10.22104/ift.2025.7883.2239

چکیده

این پژوهش با هدف توسعه و ارزیابی یک روش غیرمخرب برای پیش‌بینی فعالیت آنزیم پراکسیداز (POD) در دو رقم آلو خرمایی و خونی با استفاده از طیف‌سنجی Vis/NIR و روش‌های یادگیری ماشین انجام شد. پس از جمع‌آوری طیف‌های جذبی، داده‌ها با استفاده از الگوریتم‌های رگرسیون حداقل مربعات جزئی (PLSR) و ماشین‌بردار پشتیبان (SVM) در محدوده کامل طیفی و ابعاد کاهش‌یافته مدل‌سازی شدند و عملکرد آن‌ها با معیارهای ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE) و نسبت عملکرد به انحراف (RPD) مورد ارزیابی قرار گرفت. به‌منظور کاهش ابعاد داده‌ها و افزایش کارایی مدل‌ها، از تلفیق مدل SVM با الگوریتم‌های فراابتکاری برای انتخاب طول موج‌های مؤثر استفاده شد. از میان این الگوریتم‌ها الگوریتم بهینه‌سازی ازدحام ذرات (PSO) به عنوان بهترین الگوریتم انتخاب شد نتایج نشان داد که استراتژی کاهش ابعاد با حذف نویز و اطلاعات اضافی، توانایی مدل‌ها را در پیش‌بینی دقیق بهبود می‌بخشد. یافته‌ها حاکی از آن است که بهترین مدل برای هر رقم متفاوت بود. بعد از کاهش ابعاد و انتخاب طول موج‌های موثر برای رقم خرمایی، مدل SVM-R با هسته rbf و پیش‌پردازش فیلتر میانه بهترین عملکرد را ارائه داد و با 687/2=RPD در رده مدل‌های عالی قرار گرفت که بر اهمیت مدل‌های غیرخطی برای این رقم تأکید دارد. در مقابل، برای رقم خونی، بهترین نتیجه با مدل خطی PLSR و پیش‌پردازش نرمال‌سازی حاصل شد که با 29/2=RPD در رده مدل‌های بسیار خوب جای گرفت. این تفاوت نشان می‌دهد که انتخاب بهینه مدل به ویژگی‌های ذاتی هر محصول بستگی دارد. در نهایت، این پژوهش تأیید می‌کند که طیف‌سنجی Vis/NIR ابزاری قدرتمند برای پایش سریع و غیرمخرب کیفیت پس از برداشت محصولات کشاورزی است.

چکیده تصویری

تازه های تحقیق

استفاده از روش طیف‌سنجی Vis/NIR جهت ارزیابی غیرمخرب فعالیت آنزیم پراکسیداز در دو رقم آلو.
استفاده از روش‌های یادگیری ماشین شامل SVM و PLSR برای پیش‌بینی دقیق.
استفاده از الگوریتم‌های فراابتکاری جهت انتخاب طول‌موج‌های مؤثر.
انتخاب الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای تعیین مؤثرترین طول‌موج‌ها.
اعتبارسنجی مدل‌های پیش‌بینی برای نظارت سریع و غیرمخرب بر کیفیت آلو.

کلیدواژه‌ها

موضوعات

فناوری های نوین

عنوان مقاله [English]

Non-destructive detection of peroxidase enzyme activity in different plum varieties using VIS/NIR spectroscopy and machine learning methods

نویسندگان [English]

Meysam Latifi-Amoghin,
Yousef Abbaspour-Gilandeh

Department of Biosystems Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran.

چکیده [English]

This study aimed to develop and evaluate a non-destructive approach for predicting peroxidase (POD) enzyme activity in two plum cultivars—‘Khormaei’ and ‘Khouni’—using Vis/NIR spectroscopy combined with machine learning techniques. After acquiring absorbance spectra, the data were modeled using Partial Least Squares Regression (PLSR) and Support Vector Machine (SVM) algorithms across both the full spectral range and reduced dimensions. Model performance was assessed based on the coefficient of determination (R²), root mean square error (RMSE), and the ratio of performance to deviation (RPD). To enhance model efficiency and reduce data dimensionality, SVM was integrated with metaheuristic algorithms for effective wavelength selection. Among these, Particle Swarm Optimization (PSO) emerged as the most effective algorithm. The results demonstrated that dimensionality reduction strategies, by eliminating noise and redundant information, significantly improved the predictive accuracy of the models. Findings indicated that the optimal model varied between cultivars. For the ‘Khormaei’ cultivar, the SVM-R model with an RBF kernel and median filter preprocessing yielded the best performance, achieving an RPD of 2.687, categorizing it as an excellent model and underscoring the relevance of nonlinear approaches for this cultivar. Conversely, for the ‘Khouni’ cultivar, the best result was obtained using the linear PLSR model with normalization preprocessing, achieving an RPD of 2.29, which is considered very good. This contrast highlights that optimal model selection is inherently dependent on the intrinsic characteristics of each product. Ultimately, the study confirms that Vis/NIR spectroscopy is a powerful tool for rapid and non-destructive postharvest quality monitoring of agricultural products.

کلیدواژه‌ها [English]

Plum
Peroxidase enzyme
Spectroscopy
Non-destructive detection
Machine learning

مراجع

[1] Borji, M., & Rezaei, M. (2024). Characterization of frost-tolerant plum genotypes (Prunus domestica L.) in Nishabur region, Iran: a morphological and phenological assessment following natural spring frost event. BMC Plant Biol., 24(1), 1098.

https://doi.org./0.1186/s12870-024-05816-9

[2] Jaiswal, R., Karaköse, H., Rühmann, S., Goldner, K., Neumüller, M., Treutter, D., & Kuhnert, N. (2013). Identification of phenolic compounds in plum fruits (Prunus salicina L. and Prunus domestica L.) by high-performance liquid chromatography/tandem mass spectrometry and characterization of varieties by quantitative phenolic fingerprints. J. Agric. Food Chem., 61(49), 12020-12031.

https://doi.org./10.1021/jf402288j

[3] Moscatello, S., Frioni, T., Blasi, F., Proietti, S., Pollini, L., Verducci, G., & Cossignani, L. (2019). Changes in absolute contents of compounds affecting the taste and nutritional properties of the flesh of three plum species throughout development. Foods, 8(10), 486.

https://doi.org./10.3390/foods8100486

[4] Golmohammadi, A., Razavi, M. S., & Tahmasebi, M. (2022). Prediction of peroxidase activity using near infrared hyperspectral imaging in red delicious apple fruit during storage time. Iran. Res. Organ. Sci. Technol. [In Persian]

https://doi.org./10.22104/ift.2022.5414.2085

[5] Amoghin, M. L., Abbaspour-Gilandeh, Y., Tahmasebi, M., & Arribas, J. I. (2024). Automatic non-destructive estimation of polyphenol oxidase and peroxidase enzyme activity levels in three bell pepper varieties by Vis/NIR spectroscopy imaging data based on machine learning methods. Chemom. Intell. Lab. Syst., 105137.

https://doi.org/10.1016/j.chemolab.2024.105137

[6] Shrestha, L., Kulig, B., Moscetti, R., Massantini, R., Pawelzik, E., Hensel, O., & Sturm, B. (2020). Comparison between hyperspectral imaging and chemical analysis of polyphenol oxidase activity on fresh‐cut apple slices. J. Spectrosc., 2020(1), 7012525.

https://doi.org/10.1155/2020/7012525

[7] Serrano-Martínez, A., Fortea, M., Del Amor, F., & Núñez-Delicado, E. (2008). Kinetic characterisation and thermal inactivation study of partially purified red pepper (Capsicum annuum L.) peroxidase. Food Chem., 107(1), 193-199.

https://doi.org/10.1016/j.foodchem.2007.08.028

[8] Zhao, Z., Wang, Y., Gong, D., Niu, X., Cheng, W., & Gu, Y. (2016). Discrimination of plum browning with near infrared spectroscopy. Guang pu xue yu Guang pu fen xi= Guang pu, 36(7), 2089-2093.

[9] Kong, W., Liu, F., Zhang, C., Bao, Y., Yu, J., & He, Y. (2014). Fast detection of peroxidase (POD) activity in tomato leaves which infected with Botrytis cinerea using hyperspectral imaging. Spectrochim. Acta, Part A: Mol. Biomol. Spectrosc., 118, 498-502.

https://doi.org/10.1016/j.saa.2013.09.009

[10] Posom, J., Klaprachan, J., Rattanasopa, K., Sirisomboon, P., Saengprachatanarug, K., & Wongpichet, S. (2020). Predicting marian plum fruit quality without environmental condition impact by handheld visible–near-infrared spectroscopy. ACS omega, 5(43), 27909-27921.

https://doi.org/10.1021/acsomega.0c03203

[11] Hasanzadeh, B., Abbaspour-Gilandeh, Y., Soltani-Nazarloo, A., Cruz-Gámez, E. D. L., Hernández-Hernández, J. L., & Martínez-Arroyo, M. (2022). Non-destructive measurement of quality parameters of apple fruit by using visible/near-infrared spectroscopy and multivariate regression analysis. Sustainability, 14(22), 14918.

https://doi.org/10.3390/su142214918

[12] Gardesh, A. S. K., Badii, F., Hashemi, M., Ardakani, A. Y., Maftoonazad, N., & Gorji, A. M. (2016). Effect of nanochitosan based coating on climacteric behavior and postharvest shelf-life extension of apple cv. Golab Kohanz. LWT, 70, 33-40.

https://doi.org/10.1016/j.lwt.2016.02.002

[13] Razavi, M. S., Sharabiani, V. R., Tahmasebi, M., & Szymanek, M. (2025). Unveiling the fingerprint of apple browning: A Vis/NIR-metaheuristic approach for rapid polyphenol oxidase and peroxidases activities detection in red delicious apples. J. Food Compos. Anal., 107499.

https://doi.org/10.1016/j.jfca.2025.107499

[14] Terefe, N. S., Matthies, K., Simons, L., & Versteeg, C. (2009). Combined high pressure-mild temperature processing for optimal retention of physical and nutritional quality of strawberries (Fragaria× ananassa). Innovative Food Sci. Emerg. Technol., 10(3), 297-307.

https://doi.org/10.1016/j.ifset.2008.12.003

[15] Taghinezhad, E., Szumny, A., Figiel, A., Amoghin, M. L., Mirzazadeh, A., Blasco, J., Mazurek, S., & Castillo-Gironés, S. (2025). The potential application of HSI and VIS/NIR spectroscopy for non-invasive detection of starch gelatinization and head rice yield during parboiling and drying process. J. Food Compos. Anal., 107443.

https://doi.org/10.1016/j.jfca.2025.107443

[16] Chang, C.-W., Laird, D. A., Mausbach, M. J., & Hurburgh, C. R. (2001). Near‐infrared reflectance spectroscopy–principal components regression analyses of soil properties. Soil Sci. Soc. Am. J., 65(2), 480-490.

https://doi.org/10.2136/sssaj2001.652480x

[17] Masoudi-Sobhanzadeh, Y., Motieghader, H., & Masoudi-Nejad, A. (2019). FeatureSelect: a software for feature selection based on machine learning approaches. BMC Bioinformatics, 20, 1-17.

https://doi.org/10.1186/s12859-019-2754-0

[18] Rajkumar, D., Künnemeyer, R., Kaur, H., Longdell, J., & McGlone, A. (2022). Interactions of linearly polarized and unpolarized light on kiwifruit using aquaphotomics. Molecules, 27(2), 494.

https://doi.org/10.3390/molecules27020494

[19] Currà, A., Gasbarrone, R., Gattabria, R., Bonifazi, G., Serranti, S., Greco, D., & Maffucci, A. (2024). In Vivo insights: Near-infrared photon sampling of reflectance spectra from cranial and extracranial sites in healthy individuals and patients with essential tremor. Photonics.

https://doi.org/10.3390/photonics11111025

[20] Latifi-Amoghin, M., Abbaspour-Gilandeh, Y., Tahmasebi, M., Kisalaei, A., Hernández-Hernández, J. L., Hernández-Hernández, M., & Cruz-Gámez, E. D. L. (2025). Analyzing the nitrate content in various bell pepper varieties through non-destructive methods using Vis/NIR spectroscopy enhanced by metaheuristic algorithms. Processes, 13(6), 1731.

https://doi.org/10.3390/pr13061731