DOI: http://dx.doi.org/10.22104/jift.2015.94 فصلنامه فناوری های نوين غذايی سال دوم شماره ٦ صفحه ١١٣-١٠٥ زمستان ١٣٩٣ تعیین میزان تازگی شیر فرادما با تعیین شاخص هاي رنگی * b *L *a توسط پردازش تصویر 4 رضوان بهارلوي ی 1* علی ملکی 2 مهدي قاسمی ورنامخواستی 2 داود قنبریان 3 مجتبی بنیادیان 1. دانشجوي کارشناسی ارشد مکانیک ماشین هاي کشاورزي دانشکده کشاورزي دانشگاهشهرکرد 2. استادیار گروه مکانیک بیوسیستم دانشکده کشاورزي دانشگاه شهرکرد 3. دانشیار گروه مکانیک بیوسیستم دانشکده کشاورزي دانشگاه شهرکرد 4. دانشیار گروه بهداشت مواد غذایی دانشکده دامپزشکی دانشگاه شهرکرد (تاریخ دریافت: 93/7/27 تاریخ پذیرش: 93/10/22) چکیده در این پژوهش به بررسی امکان تعیین میزان ماندگاري شیر فرادما با تعیین شاخصهاي رنگی L*a*b* و با استفاده از پردازش تصویر پرداخته شد. بدین منظور پاکتهاي شیر خریداريشده به مدت شش ماه در انکوباتور در دماي محیط (C 25±5) ذخیرهسازي شدند سپس عملیات تصویربردارى و پردازش تصویر جهت استخراج پارامتر رنگی میانگین (mean) از کانالهاي a* L* و* b سیستم رنگی CIELab انجام شد. نتایج حاصل از این تحقیق بیانگر تغییرات معنیدار پارامتر رنگی میانگین هر سه مولفه a* L* و* b در طی دوره انبارداري شیر فرادما بود. بهمنظور تعیین ماندگاري شیر فرادما ویژگیهاي رنگی استخراجشده بهعنوان ورودي یک شبکه عصبی مصنوعی لینک شده با الگوریتم ژنتیک مورد استفاده قرارگرفتند. تمامی برنامه نویسیهاي مربوط به پردازش تصویر و مدل عصبی-ژنتیک توسط نرم افزار متلب نسخه R2013a انجام شد. مدل عصبی-ژنتیک با ضریب همبستگی بیش از 0/95 و میانگین مربعات خطاي 0/075 در تعیین میزان تازگی شیر فرادما موفق ارزیابی شد. واژههاى کلیدي: شیر فرادما شبکه عصبی مصنوعی ذخیرهسازي پردازش تصویر.L*a*b* * نویسنده مسي ول: r_baharlouei@ymail.com
106 فصلنامه فناوری های نوين غذايی سال دوم شماره ٦ زمستان ١٣٩٣ 1- مقدمه شیر حاوي مجموعه پروتي ینی بسیار با ارزش مواد قندي چربی املاح مختلف به ویژه کلسیم و فسفر و انواع ویتامین هاست. ماده اصلی شیر آب می باشد که حدود 90 درصد آن را تشکیل می دهد. شیر گاو حاوي تقریبا 87 درصد آب است. سایر مواد تشکیل دهنده شیر که حدود 13 درصد است ماده خشک نامیده می شود که شامل مواد چرب مواد پروتي ینی لاکتوز و املاح می باشد. هم چنین ترکیبات دیگري مانند ویتامین ها آنزیم ها گازها فسفولیپیدها کاروتنوي یدها (کاروتن و...) نیز در شیر وجود دارند که از نظر کمی قابل توجه نبوده اما داراي نقش و ارزش بیولوژیکی مهمی هستند [1]. شیر فرادما یکی از پرمصرف ترین فراورده هاي شیر می باشد و به دلایل متعددي حرارت داده می شود که دلایل اصلی آن از بین بردن میکروارگانیسم هاي بیماري زا افزایش دوره نگه داري شیر تا سقف 6 ماه کمک به فرایندهاي بعدي مانند پیش گرم کردن شیر قبل از خامه گیري و هموژنیزاسیون مى باشند. به طور کلی دو نوع فرایند حرارتی پاستوریزاسیون و استریلیزاسیون در فراوري شیر به کار می رود [2]. عملیات فرادما (UHT) 1 یکی از روش هاي استریلیزه کردن است. این روش براي محافظت فراورده هاي غذایی مایع به وسیله قرار دادن آن ها در معرض حرارت شدید در مدت زمان کوتاه می باشد [3]. وقتی که شیر حرارت داده می شود تغییرات زیادي در آن اتفاق می افتد تغییر و تبدیل کازي ین تغییر در ساختمان میسلی بروز تغییراتی مانند کاهش ph رسوب فسفات کلسیم تغییر ماهیت پروتي ین هاي آب پنیر و فعل و انفعال با کازي ین بروز واکنش قهوه اي شدن غیر آنزیمى که ممکن است به انعقاد پروتي ین ها منتهی شود از جمله این تغییرات هستند [2]. شیري که زمان طولانی تحت تا ثیر حرارت قرار گیرد دچار تغییراتی ناشی از واکنش هاي شیمیایی معینی می شود که نتیجه آن ایجاد ترکیباتی است که رنگ قهوه اي به شیر می دهند و باعث ایجاد طعم پختگی و کارامل می گردند [4]. عمر نگه داري یک محصول عبارت است از زمانی که بتوان آن را بدون تغییر کیفیت نگه داري نمود. عوامل محدودکننده فیزیکی و شیمیایی عمر نگه داري یک فراورده شامل حالت ژله اي شدن افزایش ویسکوزیته رسوب و عوامل محدود کننده 1. Ultra High Temperature ارگانولپتیکی تغییر مزه بو و رنگ آن میباشند [4]. جداشدن چربی و تشکیل رسوب پروتي ین چربی لاکتوز و مواد معدنی (با نسبتهاي مختلف) از جمله عیوب و اشکالات اصلی در بافت شیر فرادما هستند. در کل مقدار کل مواد رسوبی در شیر فرادما در طی انبارداري افزایش مییابند [2]. قواعد بهکار رفته در درجهبندي مواد غذایی از جمله آنچه توسط توسط وزارت کشاورزي ایالات متحده (2011) 1 منتشرشده و یا مواردى که در کتابهاي قانون ملی و محلی که بر مبناي همان اصول تهیه شدهاند اکنون در دسترس مىباشند. این کتابها در اصل به مشخصههاي مواد غذایی بهعنوان مثال رنگ اندازه شکل و بافت که براي سنجش با دوربین دیجیتال رایانه شخصی و دیگر تجهیزات کم هزینه مناسبند وابسته مىباشند. از میان این خواص رنگ سادهترین ویژگی براي اندازهگیري است [5]. رنگ یکی از شاخصهاي مهم در کیفیت غذاست و کنترل سریع آن همزمان با پیشرفت فرایند و زمان نگهداري امري ضروري است [6]. بروز تغییر در رنگ مواد غذایی میتواند حیاتی باشد زیرا آنها میتوانند شروع رسیدگی یا یک اختلال را نشان دهند. براي مثال در مورد هلو بسیاري از عیوب توصیف شده در متون استاندارد هنگام ایجاد تغییرات رنگی مشاهده میشوند. این تغییرات را میتوان با ثبت حداکثر و حداقل تفاوت بین دو قله در کانالهاي رنگی کل تصویر یافت [5]. بهمنظور انجام یک آنالیز رنگی معمولا از استانداردهاي رنگی بهعنوان مرجع استفاده میگردد. متاسفانه کاربرد این استانداردها وقتگیر میباشد و نیاز به مهارت و آموزش کافی افراد دارد. بههمین دلیل توصیه میشود که از ابزارهاي اندازهگیري براي تعیین رنگ استفاده گردد [6]. با این اوصاف استفاده از ابزارهایی جهت شناسایی کیفیت رنگی غذاها لازم است. در حال حاضر از فضاهاي رنگی و ارزشهاي وابسته عددي براي ایجاد اراي ه و تصویرسازي رنگها در فضاهاي دو بعدي و سه بعدي استفاده میشود [7]. بیشترین موفقیتها در تعیین کمی رنگ مواد غذایی برحسب قرمز سبز و آبی مشهود بودهاند [5 8 و 9]. هوانگ و همکاران (2013) گزارش کردند که فضاي رنگی L*a*b* مناسبترین کاربري را بعد از فضاي رنگی RGB براي 1. USDA Agricultural Marketing Service
107 رضوان بهارلوي ی و همکاران تعيين ميزان تازگي شير فرادما با تعيين شاخص هاي رنگي L*a*b* توسط پردازش تصوير تصویر بردارى به شیوه دیجیتال دارد زیرا همبستگی میان R G و B اجزاي فضاي رنگی RGB حذف شدند [10]. معمولا رنگ غذاها در سیستم L*a*b* اندازهگیري میشود. مدل رنگی L*a*b* یا CIELab یک استاندارد بین المللی براي اندازهگیري رنگ است که توسط کمیسیون بین المللی روشنایی d eclairage) CIE (commission international در سال 1976 اراي ه گردید [6]. (CIELAB) CIE L*a*b* کاملترین فضاي رنگی معرفیشده توسط کمیسیون بین المللی روشنایی است. این فضا تمامی رنگهاي قابل رؤیت توسط چشم انسان را توصیف میکند و براي کاربري بهعنوان یک مدل مستقل از دستگاه به وجودآمده تا بهعنوان یک مرجع در این زمینه به کار رود [10]. در شرایطی که اندزهگیري رنگی مطلق نیاز است تبدیل کردن تصویر به فضاي رنگی L*a*b* گزینه مناسبی است. استانداردهاي رنگ اغلب بهعنوان* L*a*b بیان میشوند در نتیجه تبدیل به اندازهگیري رنگ مطلق ممکن است نیاز شود [11]. *L مولفه درخشندگی یا روشنایی است که داري محدوده صفر تا 100 است و پارامتر *a (از سبز تا قرمز) و* b (از آبی تا زرد) دو مولفه رنگی با محدودهاي از 120- تا 120 هستند. فضاي رنگی L*a*b* از نظر ادراکی یکنواخت است به طور مثال فاصله اقلیدسی بین دو رنگ مختلف تقریبا مطابق با تفاوت رنگ درك شده توسط چشم انسان است [10]. اخیرأ سیستمهاي بازرسی اتوماتیک که مبتنی بر تکنولوژي دوربین-رایانه هستند براي ارزیابى حسی محصولات غذایی و کشاورزي بررسی شدهاند. موفقیت این سیستم شناخته شده بهعنوان بینایی کامپیوتر براي اندازهگیري عینی محصولات غذایی و کشاورزي گوناگون اثبات شده است [12]. روشهاي بینایی کامپیوتر بدین دلیل که یک تشخیص ثابت و عینی اقتصادي و سریع را میسر میکنند بهطور فزایندهاي در صنعت غذا بهمنظور بررسی و ارزیابی استفاده شدهاند [13]. در ارزیابی محصولات غذایی روشهاي متنوعی بهمنظور طبقهبندي محصولات مورد بررسی و استفاده قرار گرفته است که رویکردهاي آماري منطق فازي و شبکههاي عصبی از آن جمله هستند [14]. شبکههاي عصبی نوعی مدل سازي ساده از سیستمهاي عصبی واقعی هستند که کاربرد فراوانی در حل مساي ل مختلف در علوم دارند. حوزه کاربرد این شبکهها آنچنان گسترده است که از کاربردهاي طبقهبندي گرفته تا کاربردهایی نظیر درونیابی تخمین آشکارسازي و غیره را شامل میشود. شاید مهمترین مزیت این شبکهها توانایی وافر آنها در کنار سهولت استفاده از آنها باشد. هر شبکه با دریافت نمونههایی آموزش میبیند. آموزش فرایندي است که در نهایت به یادگیري منجر میشود. یادگیري شبکه زمانی انجام میشود که وزنهاي ارتباطی بین لایهها چنان تغییر کند که اختلاف مقادیر مطلوب و محاسبه شده (خروجی) شبکه در حد قابل قبولی باشد. با دست یافتن به این شرایط فرایند یادگیري محقق شده است. این وزنها حافظه و دانش شبکه را بیان میکنند [15]. در واقع قدرت واقعی شبکههاي عصبی توان آموزشپذیري آنهاست به این مفهوم که این شبکهها قادرند تا از روي الگوهاي آموزشی و با استفاده از الگوریتمهاي مختلف آموزش رابطه بین متغیرهاي مختلف را شناسایی نمایند [16]. شبکه عصبی آموزش دیده میتواند براي پیشبینی و درونیابی خروجی متناسب با مجموعه جدید داده به کار رود [15]. مطالعات زیادي در رابطه با رنگسنجی محصولات مختلف غذایی و کشاورزي بهمنظور ارزیابی کیفی کنترل مراحل مختلف تولید و فراوري و درجهبندي محصولات انجام شده است. ازجمله محصولات مورد توجه در این زمینه شیر و فراوردههاي لبنی هستند. کاییسسکلینسکا و همکاران (2004) پژوهشی را با هدف ارزیابی پارامترهاي رنگیو میزان هیدروکسیمتیلفورفورال بهعنوان شاخصی از واکنش میلارد در شیر استریلیزه شده فرادما و تعیین مقدار همبستگی میان آنها انجام دادند. نمونههاي شیر فرادما به مدت 24 هفته در دماهاي 8 4 و 20 درجه سانتىگراد نگهداري شدند. پارامترهاي رنگی *L *a و* b اندازهگیري و مقدار اشباع رنگ شیر *C و همچنین میزان اختلاف با مدل سفیدي ایدهآل ΔΕ محاسبه شد. مقدار کل و آزاد هیدروکسیمتیلفورفورال (HMF) نیز در شیر تعیین شد. ایشان افزایش غلظت HMF کل و آزاد و نیز همبستگی قوي بین مقدار اختلاف رنگ ΔΕ و مقدار HMF کل و آزاد را گزارش کردند [17]. در پژوهشی دیگر دمیتري و همکاران (2010) خواص
108 فصلنامه فناوری های نوين غذايی سال دوم شماره ٦ زمستان ١٣٩٣ ارگانولپتیک و مشخصههاي فیزیکوشیمیایی دو نوع شیر بز استریلیزه شده فرادما با ماركهاي تجاري مختلف را ارزیابی کردند. نمونههاي مورد بررسی در دماي محیط نگهداري و آزمایشها در روز خرید و هر 30 روز یکبار به مدت شش ماه انجام شدند. نتایج افزایش معنیدار در ویسکوزیته هر دو نمونه را نشان دادند. در طی این بررسی میزان هیدروکسیمتیلفورفورال بهطور معنىدار براي هر دو نمونه افزایش یافت [18]. بهشتیمقدم (1390) امکان تعیین میزانچربیدر شیرراتوسط فناوري ماشین بینایی مورد بررسی قرار داد. وي از نمونههاي شیر تهیه شده در شرایط مختلف نورپردازي عکسبرداري کرد. تصاویر گرفته شده در محیط نرم افزار متلب پردازش گردید. نتایج بهدست آمده از تعیین میزان چربی در شیر توسط شبکه عصبی پسانتشار خطاي استفاده شده در این پژوهش نشان داد که این شبکه توانست در بهترین پاسخ براي نورپردازي LED 94/5 درصد در نورپردازي فلورسنت 100 درصد و در نورپردازي ترکیبی 94/3 درصد چربی واقعی را پیشبینی نماید [19]. توسعه یک سیستم ماشین بینایی (CVS) غیر مخرب بهمنظور تشخیص کیفیت عسل که مبتنی بر همبستگی رنگ عسل با مشخصات شیمیایی آن شامل میزان عش (AC) فعالیت آنتی اکسیدانی (AA) و غلظت فنول (TPC) کل توسط شفیعی و همکاران (2014) گزارش شد. در این پژوهش مدلهاي شبکه عصبی مصنوعی بهمنظور تبدیل مقادیر RGB تصویر به مقادیر سیستم رنگ سنجی CIEL*a*b* و پیشبینی مشخصات شیمیایی مذکور با استفاده از ویژگیهاي رنگی تصویر بهکار رفتند. نتایج آزمایشگاهی کارآمدي و امکان استفاده از این سیستم بینایی را در صنعت تشخیص عسل نشان داد [20]. نتایج مطالعات و بررسی منابع نشان داد پژوهشی در رابطه با تعیین ماندگاري شیر فرادما از طریق رنگسنجی آن با استفاده از تکنیک پردازش تصویر دیجیتال و بهرهگیري از شبکه عصبی مصنوعی بهمنظور تشخیص میزان تازگی شیر با استفاده از پارامترهاي رنگی صورت نگرفته است. در این راستا در پژوهش حاضر بهدلیل وجود بیشترین شباهت مدل CIELab با ادراك انسان از تعریف رنگ مواد غذایی و بیان رنگ به صورت عددي ثابت (به دلیل مستقل از دستگاه بودن) در این مدل به بررسی تغییرات پارامترهاي رنگی a* L* و* b سیستم رنگی CIELab تصویر شیر فرادما در طی دوره ذخیره سازي شش ماهه آن و پیش بینی میزان تازگی شیر فرادما در طول این دوره توسط شبکه عصبی مصنوعی با استفاده از این پارامترهاي رنگی پرداخته شد. 2- مواد و روشها 1-2 تهیه نمونه و تجهیزات در این پژوهش تعداد 110 عدد پاکت شیر فرادما با مارك تجاري پگاه با حجم 200 میلىلیتر و بستهبندي شده در پاکتهاي تتراپک با میزان چربی 2/5 پس از اتمام دوره هفت روزه قرنطینه معمول خریداري شد. سپس تمامی پاکتهاي شیر به انکوباتور منتقل شدند تا به مدت شش ماه در دماي محیط یعنی C 25 نگهداري شوند و به مرور در راستاي پژوهش جاري مورد استفاده قرار گرفتند. عکسبرداريها توسط دوربین دیجیتال Canon PowerShot SX240 HS با حسگر CMOS 12.8 مگاپیکسل ساخت کشور ژاپن انجام شد. سپس تصاویر گرفته شده توسط کابل رابط به لپتاپ منتقل و در آن ذخیره و سازماندهی شدند. 2-2 روند انجام آزمایش روند انجام کار بدین صورت بود که اولین عکسبرداري در روز خرید نمونهها و پس از آن هر سه هفته یکبار صورت گرفت. در هر مرتبه 10 پاکت شیر مورد استفاده قرار گرفت و از هر پاکت بهوسیله سرنگ سه حجم شیر کشیده میشد. هر حجم برابر با 65±5 بود که پس از برداشت داخل یک پتري پلیت (با قطر 10) cm که قبلا در محفظه قرار داده شده بود ریخته میشد و سپس با اعمال نورپردازي بر روي آن عکسبرداري صورت میگرفت. تکرار عکسبرداري با فاصله زمانی مذکور منجر به نه دوره عکسبرداري شد دوره دهم عکسبرداري نیز در روز انقضاي شیرها صورت گرفت و یک هفته پس از منقضی شدن تاریخ محصولات نیز براي ادامه بررسی روند تغییرات یک دوره عکسبرداري لحاظ شد. کلیه تصاویر به فرمت JPG و داراي وضوح 3000 4000 پیکسل در قالب مدل رنگی RGB بودند. بهمنظور حذف بخشهاي اضافه تصویر و نیز کاهش حجم کار پردازش تصویر در ابتدا برشی
109 رضوان بهارلوي ی و همکاران تعيين ميزان تازگي شير فرادما با تعيين شاخص هاي رنگي L*a*b* توسط پردازش تصوير (الف) (ب) شکل (1) الف- نمونه اي از عکس گرفته شده از شیر ب- تصویر برش خورده از تصویر اولیه نمونه هاي شیر از تصاویر با ابعاد 530 530 پیکسل با استفاده از دستور برش نرم افزار متلب (imcrop) بهدست آمد. سپس تصاویر برش خورده براي کار پردازش تصویر مورد استفاده قرار گرفتند. کلیه برنامه نویسیهاي لازم جهت پردازش تصاویر و شبکه عصبی مصنوعی توسط نرم افزار متلب نسخه R2013a انجام شد. در شکل 1 نمونهاي از عکس گرفته شده از نمونه شیر و نمونه برشخورده این عکس قابل مشاهدهاست. در این پژوهش ویژگی رنگی میانگین (mean) مو لفههاي کانالهاي a* L* و* b سیستم رنگی CIELab استخراج و مورد بررسی قرار گرفت بدین منظور در ابتدا فضاي رنگی RGB به فضاي رنگی L*a*b* تبدیل شد. فضاي رنگی* L*a*b از مقادیر نسبی رنگهاي اولیه CIE XYZ مشتق شده است و یک رابطه غیرخطی با فضاي رنگی RGB دارد. معادلات 1 تا 7 نحوه محاسبه مقادیر مو لفههاي مدل رنگی L*a*b* را بر اساس مقادیر RGB نشان میدهند. مقادیر نسبی Xn Yn Zn سه مقدار محرك براي روشنایی هستند که در استاندارد CIE داده شدهاند [10]. آزمایش به صورت فاکتوریل در قالب طرح کامل تصادفی با ده تکرار انجام شد. زمان با 11 دوره عکسبرداري بهعنوان تیمار اول و حجم نمونهگیري در سه سطح (حجم اول 60±5 میلىلیتر اول هر پاکت شیر حجم دوم 60±5 میلىلیتر بعدي و حجم سوم که برابر با 60±5 میلىلیتر انتهایی هر پاکت است) تیمار دوم این مطالعه بود. کلیه آنالیزها در سطح معنیداري 0/05 درصد توسط SAS نسخه 9 انجام شد. همچنین بهمنظور تشخیص میزان تازگی شیر فرادما در طول دوره ذخیره سازي از الگوریتم شبکه عصبی-ژنتیک استفاده شد شبکه عصبی استفاده شده یک شبکه پرسپترون چند لایه پس انتشار خطا با توپولوژي 3-5-3-1 بود. شاخصهاي مجموع مربعات خطا (SSE) میانگین خطاي مطلق (MAE) میانگین مربعات خطا (MSE) و ضریب تبیین ) 2 R) بهعنوان شاخصهاي عملکرد بهمنظور ارزیابی توانایی پیشبینی شبکه عصبی مصنوعی بکار گرفته شدند. این شاخصها از طریق معادلات 8 تا 13 محاسبه شدند. X 0 مقادیر پیشبینی شده X k مقادیر واقعی در این روابط X m میانگین مقادیر X) 0 میانگین مقادیر پیشبینی شده ) واقعی و n تعداد مقادیر پیشبینی شده هستند. 3- نتایج و بحث نتایج حاصل از آنالیز انجام شده با نرم افزار SAS که در ادامه در قالب جدول تجزیه واریانس (جدول 1) اراي ه شده است نشان داد که تغییرات ویژگی رنگی میانگین براي هر دو تیمار یعنی تیمار زمان و حجم نمونهگیري با سطح اطمینان بالایی (سطح معنیداري 1) معنیدار بوده است. نتایج مقایسه میانگین آزمون چند دامنهاي دانکن ویژگی رنگی میانگین مو لفههاي رنگی a* L* و* b براي تیمار زمان و حجم نمونهگیري در جدول 2 گزارش شده است.
110 فصلنامه فناوری های نوين غذايی سال دوم شماره ٦ زمستان ١٣٩٣ جدول (1) نتایج تجزیه واریانس ویژگی میانگین شدت سطح خاکستري و a* L* و* b سیستم رنگی CIELab در تیمارهاي مختلف b* منابع تغییر درجه آزادي میانگین مربعات a* L* cv ** 0/516 ** 1/032 ** 113/683 10 زمان ** 0/430 ** 0/398 ** 18/433 2 حجم نمونه 1/429 1/240 1/934 296 خطا 0/035 0/019 2/093 ** نشان دهنده معنیداري در سطح 1 درصد است. با توجه به جدول 2 میزان *L که نماینده روشنایی در سیستم 0.180423B =X +0.412453R +0.357580G (1) رنگی CIELab میباشد با گذر زمان کاهش یافته است. در مطالعهاي که پپفرالجیک و همکاران (2008) انجام دادند 0.072169B =Y +0.212671R +0.715160G (2) نیز نتیجه مشابهی در رابطه با کاهش میزان روشنایی در شیر فرادما طی دوره ذخیرهسازي 90 روزه آن در دماي C 20±5 بهدست آمد [21]. کاییسسوکلینسکا و همکاران (2004) با بررسی پارامترهاي رنگی شیر فرادما در طی 24 هفته ذخیرهسازي آن کاهش سفیدي را با گذر زمان گزارش کردند. ایشان همچنین بیان کردند که همبستگی قوي بین تغییرات رنگ و میزان هیدروکسیمتیلفورفورال وجود دارد [17]. بر اساس مطالعات صورت گرفته بر روي ماندگاري شیر فرادما در طول دوره ذخیرهسازي رنگ شیر فرادما به سمت قهوهاي شدن پیش میرود که نتیجهي واکنش گروه آمینی با قند است و ماحصل این واکنش قهوهاي شدن از نوع میلارد میباشد. ترکیب هیدروکسیمتیلفورفورال (HMF) بهعنوان شاخصی از واکنش میلارد نیز یکی از عوامل تغییر رنگ در طی دوره نگهداري شیر است که با گذر زمان افزایش مییابد [17 18 21]. بر این اساس کاهش میزان روشنایی (مو لفه *L) با تیره شدن رنگ شیر مورد انتظار است. همچنین با توجه به جدول 2 این نتیجه دریافت میشود که با گذر زمان میزان پارامترهاي *a و *b در طی دوره ذخیرهسازي افزایش یافته است. پارامتر *b در سیستم رنگی CIELab مو لفه رنگ با دامنه تغییرات آبی تا زرد میباشد و روند افزایشی آن به معناي افزایش میزان زردي با گذر زمان است [20]. افزایش میزان زردي رنگ را نیز میتوان با توجه به واکنشهاي منجر به قهوهاي شدن توجیه کرد. نتیجه بهدست آمده با مطالعات انجام شده توسط پپفرالجیک و همکاران Z= 0.019334R+ 0.119193G+ 0.950227B (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
111 رضوان بهارلوي ی و همکاران منابع تغییر زمان تعيين ميزان تازگي شير فرادما با تعيين شاخصهاي رنگي L*a*b* توسط پردازش تصوير جدول (2) نتایج مقایسه میانگین ویژگی رنگی میانگین در تیمارهاي مختلف میانگین مربعات ویژگی mean b* a* L* 69/6105 f 10/67239 f 13/20617 a 73/7976 e 10/72874 f 13/19993 a 73/8787 e 10/89151 e 13/08228 b 74/7407 d 10/95616 de 13/03453 b 74/7728 d 10/97633 d 13/02423 b 75/2409 cd 10/99364 d 13/02061 b 75/6714 bc 11/08342 c 12/91201 c 75/9049 bc 11/08994 c 12/89228 c 75/9179 bc 11/16203 b 12/86753 c 76/3919 ab 11/21775 ab 12/85432 c 76/8114 a 11/24926 a 12/84797 c 75/0992 a 10/95133 b 13/05048 a حجم نمونه 74/3420 b 10/98442 b 13/00706 a 74/9910 a 11/06838 a 12/92692 b میانگین هاي با علامت یکسان در هر سطر در سطح 5 درصد تفاوت معنی داري ندارند (آزمون چند دامنه اي دانکن). جدول (3) نتایج شاخص هاي ارزیابی مرحله آزمون شبکه عصبی مصنوعی شاخص هاي ارزیابی R 2 MSE MAE SSE 0/5260 0/903 0/0751 0/2477 (2008) و کاییسسوکلینسکا و همکاران (2004) در زمینه تغییرات رنگی شیر فرادما در حین ذخیرهسازي همسو بود [21.[17 *a مو لفه تغییرات رنگ از سبز تا قرمز میباشد و افزایش آن نشان دهنده تغییرات رنگ به سمت قرمزي بیشتر میباشد. این روند تغییر نیز نشان دهنده کم شدن سفیدي رنگ و تیرهتر شدن شیر است. پپفرالجیک و همکاران (2008) نیز افزایش این پارامتر را در طول مدت ذخیرهسازي شیر فرادما گزارش دادند [21]. در این پژوهش از شبکه عصبی پرسپترون چند لایه پس انتشار خطاي لینک شده با الگوریتم ژنتیک با توپولوژي 3-1- 3-5 استفاده گردید. نتایج شاخصهاي ارزیابی توانایی پیشبینی شبکه عصبی مصنوعی مجموع مربعات خطا (SSE) میانگین میانگین خطاي مطلق (MAE) میانگین مربعات خطا (MSE) و ضریب همبستگی ) 2 R) در جدول 3 گزارش شدند. نتایج شاخصهاي عملکرد اراي ه شده در جدول 3 بیانگر توانمندي و خطاي پایین مدل عصبی-ژنتیک در پیشبینی میزان تازگی و ماندگاري شیر فرادما در طی دوره ذخیره سازي آن میباشند. با توجه به جدول 3 شبکه عصبی مصنوعی با کسب ضریب تبیین بالاي 0/90 و میانگین مربعات خطاي 0/075 با دقت بالایی میزان تازگی نمونههاي مورد بررسی در مرحله آزمون شبکه را پیشبینی کرد و موفق بود. علاوه برشاخصهاي ارزیابی عملکرد شبکه عصبی مصنوعی منحنیهاي رگرسیون آزمون و تست شبکه عصبی نیز بهمنظور تایید صحت عملکرد شبکه عصبی مصنوعی در قالب شکل 2 گزارش شدند. شکل 2 همبستگی بالاي مقادیر پیش بینی شده توسط شبکه
112 فصلنامه فناوری های نوين غذايی سال دوم شماره ٦ زمستان ١٣٩٣ شکل (2) از راست به چپ به ترتیب منحنی رگرسیون داده هاي آموزش و تست شبکه عصبی مصنوعی عصبی مصنوعی با مقادیر واقعی را نشان میدهد. نتایج کارآمدي الگوریتم ژنتیک را در بهینهسازي آموزش شبکه عصبی مصنوعی و موفقیت شبکه عصبی مصنوعی پسانتشار خطا را در تعیین میزان تازگی شیر فرادما را نشان میدهد. 4- نتیجهگیرى نتایج حاصل از پژوهش حاضر بیانگر توانایی تکنیکهاي پردازش تصویر دیجیتال و مدل عصبی-ژنتیک در تعیین میزان تازگی شیر فرادما با تعیین شاخصهاي رنگی L*a*b* است. این مطالعه مقدمهاي بر بررسی امکان ورورد تکنولوژيهاي نوین و غیرمخرب پردازش تصویر و شبکه عصبی مصنوعی در تعیین کیفیت ممتاز شیر فرا دما میباشد و با توجه به نتایج حاصل پیشنهاد میکند در راستاي عملی شدن کنترل کیفی با روش حاضر مطالعات بیشتري صورت پذیرد. منابع [1] کوشکی م..(1388). انتشارات سروا تهران. [2] کوشکی م. (1380). انتشارات سازمان پژوهشهاي علمی و صنعتی ایران تهران. [3] فرهنودي ف. الف. (1377). جلد اول انتشارات شرکت جهاد تحقیقات و آموزش تهران ص 144-145. [4] کریم گ. (1380). (چاپ دوم) سپهر-موسسه فرهنگی هنري واقعه. تهران. L*a*b* در سنجش رنگ غذاها. نشریه جلد 23 شماره 3 ص 422-411. [7] L Yam K., E Papadakis, S. (2004). A simple digital imaging method for measuring and analyzing color of food surfaces. J. Food Eng., 61, 137 142. [8] Jackman, P., Sun, D. W., Du, C. J., Allen, P., Downey, G. (2008). Prediction of beef eating quality from colour, marbling and wavelet texture features. Meat Sci.,80(4), 1273-1281. [9] Jackman, P., Sun, D.W., Du C.J., Allen P. (2009). Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment. Pattern Recognition, 42(5), 751-763. [10] Huang Z.K., Hou L.Y. and Li Z.H. (2013). Image [5] Jackman, P., Sun, D.W. (2012). Recent advances in image processing using image texture features for food quality assessment. Trend. Food Sci. Tech.,29, 35-43. [6] یعقوبی سوره الف. علیزاده خالدآباد م. و رضازاد باري م. (1392). کاربرد پردازش تصویر براي تعیین شاخصهاي رنگی
113 رضوان بهارلوي ی و همکاران تعيين ميزان تازگي شير فرادما با تعيين شاخص هاي رنگي L*a*b* توسط پردازش تصوير شیر با استفاده از ماشین بینایی. دانشکده کشاورزي دانشگاه تهران. [20] Shafiee, S., Minaei, S., Moghaddam-Charkari, N., Barzegar, M. (2014). Honey characterization using computer vision system and artificial neural networks. Food Chem., 159, 143 150. [21] Popov-Raljić, j.v., Lakić, N.S., Laličić- Petronijević, J.G., Barać, M., Band Sikimić, V.M. (2008). Color Changes of UHT Milk During Storage. Sensors., 8, 5961-5974. Clustering Using Graph Cuts in LAB Color Space. Int. J. Digital Content Tech. its Applications (JDCTA). 7(12). [11] Quevedo, R.A., Diaz, O., Caqueo, A., Ronceros, B., Aguilera, J.M. (2009). Quantification of enzymatic browning kinetics in pear slices using non-homogenous L* color information from digital images. LWT-Food Sci. Int., 42(8), 1367-1373. [12] Brosnan, T., Sun, D.W. (2004). Improving quality inspection of food products by computer vision-a review. J. Food Eng., 61, 3-16. [13] Jelin ski, T., Du, C.J., Sun, D.W., Fornal, J. (2007). Inspection of the distribution and amount of ingredients in pasteurized cheese by computer vision. J. Food Eng., 83, 3 9. [14] Du, C.J., Sun, D.W. (2004). Recent developments in the applications of image processing techniques for food quality evaluation. Trend. Food Sci. Technol.,15(5), 230-249. [15] خوش تقاضا م. امیري چایجان ر. منتظر غ. و مینایی س. (1386). پیشبینی ضریب تبدیل شلتوك به برنج سفید در خشککردن به روش بستر ثابت به کمک شبکههاي عصبی جلد 8 شماره مصنوعی. مجله 2 ص.156-135 [16] Ellis, D. (2006). Speech & Audio Processing & Recognition. Columbia University. [17] Cais-Sokolińska, D., Pikul, J., Danków R. (2004). Measurement of color parameters as an index of the hydroxymethylfurfural content in the uht sterilised milk during its storage. Electron. J. Polish Agr. Universities., 7(2). [18] Dmytrów, I., Mituniewicz-Małek, A., Balejko, J. (2010). Assessment of selected physicochemical parameters of uht sterilized goat s milk. J. Polish Agr. Universities., 7(2). [19] بهشتی مقدم ل. (1390). امکان سنجی تعیین چربی