تأیید اصالت و تشخیص تقلب در پودر زردچوبه بر اساس پروفایل‌های عطر و طعم با استفاده از بینی الکترونیکی، زبان الکترونیکی و … مصنوعی

ادویه‌ها معمولاً از پرکاربردترین مواد در صنایع غذایی هستند که به صورت فله و پودر در بازار عرضه می‌شوند و احتمال تقلب در آن‌ها بسیار بالاست. از این رو، هدف اصلی این پژوهش، پاسخ به نیاز موجود برای روش‌های جدید و دقیقی است که بتوانند اصالت و کیفیت ادویه‌ها (مانند پودر زردچوبه) را با استفاده از سامانه‌های «بینی الکترونیکی» و «زبان الکترونیکی» ارزیابی کنند. عدم قابلیت عرضه نخودهای درجه ۳ در بازار و قیمت بسیار پایین آن‌ها، دستاویزی برای برخی افراد سودجو شده است تا آن‌ها را با پودر زردچوبه مخلوط کرده و در بازار به فروش برسانند. در این پژوهش، نمونه‌های پودر زردچوبه در ۱۳ دسته تهیه شدند و از سامانه‌های بینی و زبان الکترونیکی برای ارزیابی کیفیت و تشخیص تقلب در آن‌ها استفاده گردید. در نهایت، نتایج حاصل از خروجی این سامانه‌ها با استفاده از الگوریتم‌های یادگیری ماشین (مانند CNN پایه، CNN بهبودیافته، PCA، MLP، Fuzzy، SVM، KNN، GBT و EDT) ارزیابی و طبقه‌بندی شدند. نتایج نشان داد که سامانه‌های بینی و زبان الکترونیکی در ترکیب با الگوریتم CNN بهبودیافته، قادرند نمونه‌های پودر زردچوبه و موارد تقلب را به ترتیب با دقت ۹۴/۸۷ و ۹۵/۳۸ درصد طبقه‌بندی کنند. روش PCA در سامانه بینی الکترونیکی برای ارزیابی نمونه‌های پودر زردچوبه و تقلب، ۹۶ درصد و در سامانه زبان الکترونیکی، ۹۷ درصد از واریانس میان نمونه‌های مورد مطالعه را پوشش داد.

Spices are usually the most widely used ingredients in the food industry, which are sold in bulk and powdered form in the market, and the possibility of adulterating them is very high. Therefore, the main reason for conducting this piece of research is the demand for new and accurate methods that measure the authenticity and quality of spices (such as turmeric powder) through electronic nose and electronic tongue systems. Unmarketability of 3rd grade chickpeas and their very low price has become an excuse for some profiteers to mix them with turmeric powder and sell them in the market. In this research, samples of turmeric powder were prepared in 13 classes and electronic nose and electronic tongue systems were used to evaluate their quality and detect fraud. Finally, the results obtained from the output of these systems were evaluated and classified using machine learning algorithms (such as basic CNN, improved CNN, PCA, MLP, Fuzzy, SVM, KNN, GBT and EDT). The results showed that the electronic nose and electronic tongue systems in combination with the improved CNN are able to classify the samples of turmeric powder and fraud with 94.87% and 95.38% accuracy, respectively. The PCA method in the electronic nose system for evaluating the samples of turmeric powder and fraud obtained 96% and in the electronic tongue system 97% of the variance between the studied samples.