بخشی از مقاله
چکیده
از ترکیب روش آنالیز PCA بههمراه روش حداقل مربعات LS-SVM برای اندازهگیری مقدار آکریل آمید - AA - در نان جو استفاده میشود. در نهایت این روش با سایر مدلهای رنگسنجی دیگر نظیر RGB، CMYK و L*a*b* مقایسه میگردد. نتایج حاصل از این تحقیق حاکی از آن بود که رنگسنجی افتراقی بهترین راهکار برای طبقه بندی نان جو حاوی مقادیر مختلف AA است.
از مقایسه 3 روش رنگسنجی فوق الذکر میتوان به این نتیجه رسید که رنگسنجی افتراقی با روش - LS-SVM با داشتن RMSE= 26 .08 ng/g و - R2= 0.98 نسبت به روش RGB - با داشتن - RMSE= 26.08 ng/g, R2= 0.98 و روش CMYK - با داشتن - RMSE= 17.99ng/g, R2= 0.99 بسیار بهتر است، ولی نسبت به L*a*b* - RMSE= 7.56 ng/g, R2= 1.00 - هنوز در وضعیت پایینی قرار دارد. بنابراین، رنگسنجی افتراقی میتواند بهعنوان یک روش جدید در رنگسنجی و تعیین ویژگیهای کیفی و ارزیابی آکریل آمید در نان جو به کار برده شود.
مقدمه:
آکریل آمید بهعنوان یک ماده توکسیک و یک عامل سرطانزا در انسان همواره مورد توجه بوده است . - IARC, 1994 - در غذاهای حرارت داده شده، آکریل آمید از طریق واکنش میلارد بهوسیله واکنش آمینو اسیدهای آزاد - عموما آسپاراژین - با قندهای احیا کننده یا دیگر کربونیلهای فعال تشکیل میشود
در واکنش میلارد، ملانوئیدین بهعنوان محصول نهایی این واکنش شناخته میشود. این ماده رنگی اثر چشمگیری بر روی کیفیت مواد غذایی دارد. بهدلیل اینکه رنگ ماده غذایی یکی از ویژگیهای بارز، در انتخاب محصول توسط مصرف کننده است، وجود این ماده رنگی بیش از پیش حائز اهمیت میشود. اگرچه ابعاد زیادی از نحوه تشکیل رنگ و ساختار ملانوئیدین در واکنش میلارد هنوز ناشناخته مانده است ، با این حال رنگ حاصله در فرآیند یک ماده غذایی می-تواند بهعنوان یک شناساگر در تشخیص آکریل آمید مورد مطالعه قرار گیرد. بسیاری از پژوهشگران رنگ محصول را با تشکیل آکریل آمید در سیب-زمینی سرخ شده - Pedreschi et al., 2006 - ، انواع مختلف نان - Mustafa et al., 2005 - ، فرآوری قهوه - Gökmen & Senyuva, 2006 - ، و آرد سفید - Gökmen & Senyuva, 2006 - را مرتبط دانستهاند.
در بررسی کیفی و کمی رنگها، چندین فضای رنگسنجی بهطور گسترده مورد استفاده قرار میگیرد که شامل L*a*b*، Red, - RGB - Green, Blue و - Cyan, Magenta, Yellow, Black - CMYK میشود. L*a*b* یک استاندارد بین المللی برای رنگسنجی است که توسط کمیسیون 1CIE در سال 1976وضع شد. L* مولفه مربوط به روشنایی - از صفر تا - 100، a* - از رنگ سبز تا قرمز - ، وb* - از آبی تا سبز - دو مولفه رنگی که از -120 تا +120 در نوسان است. RGB یک مدل رنگسنجی که نور انتقال داده شده از آن در آشکار سازهای ویژهای نمایان داده میشود، که رنگهای نمایان شده در شبکیه انسان را شبیه سازی میکند.
CMYK یک سیستم رنگ سنجی دیگری براساس کیفیت جذب نور است. رنگسنجی افتراقی بهعنوان روش آنالیز کمی برای تجزیه و تحلیل مدلهای هندسی بسیار پیچیده است . - Mandelbrot, 1982 - درجه بینظمی، میتواند توسط ابعاد فراکتال - FD - 2 تخمین زده شود. هر چه این بعد بیشتر شود، جسم نامنظمتر است. رنگسنجی افتراقی بهطور متداول در بسیاری از زمینهها نظیر مهندسی مواد - Horovistiz et al., 2010 - ، آنالیز بافت - He et al, 2010 - ، طبقهبندی گیاهی - Pandolfi et al., 2009 - ، تصاویر پزشکی - Wu et - al., 1992 و صنایع غذایی - Barrett & Peleg, 1995 - بهکار گرفته شده است.
در این مقاله، از ترکیب روش آنالیز PCA بههمراه روش حداقل مربعات LS-SVM استفاده میشود و در نهایت این روش با سایر مدلهای دیگر نظیر RGB، CMYK و L*a*b* مقایسه میگردد. موفقیت این پژوهش روشی نو را برای رنگسنجی مواد غذایی فراهم میآورد.
مواد و روش ها:
تهیه نان جو:
نان جو مورد استفاده در این تحقیق با استفاده از روش Gokmen و همکاران در سال 2008 با برخی اصلاحات تهیه شد. آرد جو و دیگر ترکیبات نظیر شکر، شورتنینگ، بیکربنات سدیم و نمک از بازارهای محلی فراهم آورده شد. خمیر حاصله شامل ترکیبات زیر بود، آرد جو 80 گرم، نمک 1 گرم، ساکارز 35 گرم، بیکربنات سدیم 0/80 گرم، شورتنینگ 32 گرم و تخممرغ 50 گرم.
خمیر حاصله در اندازههایی با قطر 2 میلیمتر و طول 3 سانتیمتر در دمای 200 درجه سانتیگراد با زمانهای متغییر 0 - ، 5، 10، 15، 20، 25، 30، 35، 40 و 45 دقیقه - پخته شد. بعد از سرد کردن در دمای اتاق، نان جو در ظروف پلی پروپیلنی در بسته نگهداری شد.
عکسبرداری و اندازهگیری رنگ:
تصاویر نان جو با استفاده از دوربین عکسبرداری دیجیتال - Canon EOS 50D - بهدست آمد. نور لازم برای این کار از نور آفتاب صبحهنگام استفاده شد. تمامی تصاویر حداقل در 3 تکرار بهدست آورده شد. پارامترهای فراکتال با استفاده از نرم افزار ویژه این کار - HarFA, Harmonic and - Fractal Image Analyzer 5.4 تعیین گشت . - Lu et al., 2011 - بهصورت خلاصه، پارامترهای R - قرمز - ، G - سبز - و B - آبی - برای هر عکس به 3 قسمت تقسیم شد و حد آستانه برای مقدار یک رنگ بین 0 تا 255 است. بنابراین، ابعاد فراکتال - FD - توسط روش شمارش جعبهای تعیین شده و به-عنوان تابعی از شرایط آستانهای بیان میشود و طیف فراکتال نامیده میشود. بعد از رسم خط مبنا - FD=1 - ، 5 پارامتر فراکتال - دو مختصات افقی در صورتیکه FD=1 ، دو مختصات پیک و سطح زیر پیک - توسط نرمافزار OriginLab محاسبه میشود.
بهعلاوه میانگین هر کدام از اعداد CMYK، RGB و L*a*b* از عکسها با استفاده از پنجره هیستوگرام فتوشاپ - Adobe Photoshop - CS5 بهدست آمد و توسط روش Yam and Papadakis در سال 2004 تفسیر شد.
اندازهگیری آکریل آمید : - AA -
استخراج AA با استفاده از روش Gokmen و همکاران در سال 2009 انجام شد، روش استخراجی آنها در مقایسه با روش استخراج با متانول بازدهی بیشتری دارد. 0/3 گرم از نمونه را به صورت پودر در آورده و عمل استخراج با 9 میلیلیتر اسید فرمیک 10 میلی مولار به مدت 3 دقیقه با هم-زن گردابی صورت میپذیرد. سپس 0/5 میلی لیتر معرف کاریز 1 به همراه 0/5 میلی لیتر کاریز 2 اضافه شده و به مدت 1 دقیقه با هم مخلوط می-گردد. محلول حاصله به مدت 10 دقیقه در دمای صفر درجه سانتیگراد در دور 5000 سانتریفیوژ میگردد. بعد از سانتریفیوژ کردن مایع رویی - سوپر ناتانت شفاف رنگ - با استفاده از فیلتر نایلونی با اندازه 0/45 میلیمتر فیلتر میشود.
مقدار AA در عصاره استخراجی توسط روش ELISA مستقیم - dc- ELIZA - تعیین شد. مقدار AA در دو تکرار اندازهگیری شد و میزان آن 0/05 ng/gتعیین شد.
مبانی تحلیل مولفههای اصلی : - PCA -
PCA یک تکنیک چند متغیره بوده که بهطور گستردهای در شاخه شیمیسنجی برای یافتن حداکثر واریانسها در کل دادهها بهکار میرود و تشکیل متغیرهای جدیدی را بهنام اصول مولفهای - PCs - میدهد. این متغیرها اورتوگونال - متعامد - بوده و بر طبق یک صفت مشخه خاص تفکیک می شود . - Lu et al., 2011 - با استفاده از PCA، فضای چند بعدی توصیف شده و با استفاده از ماتریس X طبق فرمول زیر مدل میشود:
X= T * PT + E
که در اینجا T رتبه - درجه9 ماتریس، P بارگذاری مازاد و E ماتریس مازاد است.
حداقل مربعات در ماشین بردار پشتیبان : - LS-SVM -
تحلیل دادههای چندگانه نقش اساسی در تحلیل اطلاعات برخودار است. مجموعه دادههای چندگانه، حالتها یا متغیرهای زیادی را برای هر مشاهده در بردارند. اگر در هر مجموعه داده،n متغییر وجود داشته باشد، هر متغیر میتواند داری چند بعد باشد. با توجه به اینکه اغلب درک و مشاهده فضای چند بعدی دشوار است، روش تحلیل مولفههای اصلی - PCA - ابعاد کلیه مشاهدات را براساس شاخص ترکیبی و دسته بندی - طبقهبندی - مشاهدات مشابه کاهش میدهد.
این روش یکی از با ارزشترین نتایج کاربرد جبر خطی است که بهوفور در کلیه اشکال تحلیلی از شبکههای عصبی تا نمودارهای کامپیوتری استفاده شده است. در این روش متغیرهای موجود در یک فضای چند حالته همبسته به یک مجموعه از مولفههای غیر همبسته خلاصه میشوند که هر یک از آنها ترکیب خطی از متغیرهای اصلی میباشند. مولفههای غیر همبسته بهدست آمده، مولفههای اصلی - PC - نامیده میشوند، که از بردارهای ویژه ماتریس کوواریانس یا ماتریس همبستگی متغیرهای اصلی بهدست میآیند.
آنالیز آماری:
تمام الگوریتمهای LS-SVM با استفاده از نرمافزار - R2010a, the MathWorks Inc., USA - MATLAB و جعبه ابزار LS-SVM موجود در نرمافزار - LS-SVM v1.7, Suykens, Leuven, Belgium - MATLAB در ویندوز XP اجرا شد.
نتایج و بحث:
همانطور که در شکل 1 نشان داده شده است، محتوای آکریل آمید در نان جو با افزایش زمان پخت افزایش یافته که این مقدار ng/g 394.5-14 در 45 دقیقه است. بهعلاوه، تغییر رنگ نیز در طی پخت نان جو مشاهده میشود. زرد کمرنگ، به قهوهای مایل به زرد، و در نهایت قهوهای.
شکل:1 تغییرات آکریل آمید و رنگ نان جو در حین پخت
