عنوان پایان‌نامه
ارزیابی کیفیت برخی ارقام بومی انگور ایران به روش غیر مخرب اسپکتروسکوپی NIR
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6770;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73170;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6770;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73170
- تاریخ دفاع
- ۱۹ اسفند ۱۳۹۴
- دانشجو
- فرزاد آزادشهرکی
- استاد راهنما
- سیامک کلانتری
- چکیده
- در این پژوهش قابلیت روش طیف سنجی فروسرخ نزدیک (NIRS) به منظور ارزیابی غیر تخریبی کیفیت و تشخیص برخی ارقام انگور بومی ایران (عسگری، بیدانه قرمز، شاهرودی و خوشناو) مورد بررسی واقع شد. بدین منظور از یک اسپکتروفوتومتر آرایه دیودی (PDA) مجهز به آشکار ساز ایندیم گالیم ارسناید (InGaAs) در ناحیه 1700-900 نانومتر جهت پیش بینی غیر تخریبی مواد جامد حل شدنی (SSC)، اسید قابل تیتر (TA)، pH، فنل کل (TP)، آنتوسیانین عصاره (EA) و مولفهها و شاخصهای مربوط به رنگ استفاده گردید. مدلهای رگرسیون چند متغیره حداقل مربعات جزیی (PLS) بر پایه اندازهگیری های مرجع و تخریبی و دادههای طیفهای پردازش شده با فیلتر میانه (MD) و توزیع نرمال استاندارد (SNV) به صورت انفرادی و ترکیبی همراه با مشتق اول (MD+SNV+D1) و همراه با مشتق دوم (MD+SNV+D2) برای پیش بینی ویژگیهای کیفی انگور تدوین شدند. مدلهای تدوین شده توسط ریشه میانگین مربعات خطای اعتبار سنجی (RMSECV)، ضریب همبستگی (rcv) و نسبت انحراف معیار (SDR) ارزیابی شدند. همچنین جهت تشخیص رقم از مولفههای اصلی طیفها همراه با شبکه عصبی مصنوعی (PCA-ANN) استفاده گردید. نتایج نشان داد که روش طیف-سنجی فرو سرخ نزدیک قابلیت بالای پیش بینی SSC (1RMSECV <، 920/0< rcvو 50/2SDR> 5/1 پیشبینی گردید. pH هر چهار رقم انگور با دقت قابل قبول (150/0 RMSECV < و 0/2
- Abstract
- IN this study, the feasibility of near-infrared spectroscopy (NIRS) technique for non-destructive quality attributes characterization and variety discrimination of some Iranian grapes (Asgari, Bidaneh Ghermez, Shahroodi and Khoshnav) was assessed. For this purpose a photodiode array (PDA) spectrophotometer with an Indium- Gallium-Arsenide (InGaAs) detector that was able to detect spectra in the range of 900- 1700 nm was used to non-destructive prediction of soluble solid contents (SSC), titratable acid (TA), pH, total phenol (TP) and extracted anthocyanin (EA) and color components and indices. Partial least square (PLS) regression models were developed based on reference and destructive measurements and the data of the preprocessed spectra with median filter (MD), standard normal variate (SNV) individually and combined with first derivative (MD+SNV+D1) and combined with second derivative (D2) to grape quality prediction. Developed models were validated by root mean error of cross validation (RMSECV), correlation coefficient (rcv) and standard deviation ratio (SDR). Moreover, for variety discrimination, principal components analysis with artificial neural network (PCA-ANN) was used. Results showed that NIRS technique had high potential to predict SSC (RMSECV <1, rcv >0.92 and SDR >2.50). TA of Shahroodi grape couldn’t be predicted by NIRS but TA in the other three varieties grape was predicted with 1.5 < SDR < 2.0. pH in all four cultivars was predicted with acceptable accuracy (RMSECV < 0.15 and SDR > 2.0). TP in Khoshnav and Asgari varieties with SDR of 2.04 and 1.958 respectively, was more accurately predicted than TP in Shahroodi and Bidaneh Ghermez with SDR of 1.811 and 1.666 respectively. NIRS could not predict EA in none of Bidaneh Ghermez and Khoshnav varieties (the cultivars that EA was measured for them). None of the color components and indices in all varieties couldn't be predicted by NIRS in the region of 900-1700 nm. Variety discrimination experiment indicated that using first eight principal components (PCs) of spectra and an artificial neural network (ANN) with 15 neurons in the hidden layer classified grape varieties with the accuracy of 92% in test sample set. The results of this study showed that NIRS had different potentials for different quality properties prediction and had high potential for variety discrimination of grape fruit in this research. Keywords: Grape, Near-infrared, Spectroscopy, Quality
