Iranian Journal of Nutrition Sciences and Food Technology

fa تعیین غیرتخریبی بازهای ازته فرار کل (TVB-N) توسط تصاویر ابرطیفی در ماهی گوازیوم دم‌رشته‌ای (Nemipterus japonicus) Nondestructive Determination of the Total Volatile Basic Nitrogen (TVB-N) Content Using hyperspectral Imaging in Japanese Threadfin Bream (Nemipterusjaponicus) Fillet صنايع غذايي Food Science پژوهشي Research سابقه و هدف: با توجه به اهمیت ارزیابی کیفی آبزیان از صید تا مصرف، روش‌های سریع و غیرتخریبی برآورد فساد در صنعت شیلات مهم هستند. هدف این مطالعه بررسی پتانسیل به‌کارگیری تصاویر ابرطیفی (nm 430-1010HSI: ) برای پیش‌بینی بازهای ازته‌ی فرار کل (TVB-N) در فیله‌ی گوازیوم دم‌رشته‌ای (Nemipterus japonicus) به عنوان ماهی آب شور است. مواد و روش‌ها: فساد فیله‌های ماهی طی 8 روز نگهداری در دمای یخچال (°C 2±4) مورد بررسی قرار گرفت. ابتدا، داده‌های مربوط به تصاویر ابرطیفی و TVB-N فیله‌های ماهی در آزمایشگاه حاصل شد. مدل اولیه‌ی پیش‌بینی این شاخص بر پایه‌ی شبکه‌ی مصنوعی عصبی پس‌انتشار خطا (BP-ANN) تشکیل شد. برای ساده کردن مدل، 10 طول موج به روش ضریب-رگرسیون (RC) انتخاب شد و مدل‌های رگرسیون خطی-چندگانه (MLR) و BP-ANN بر پایه‌ی طول موج‌های برگزیده پیاده‌سازی شدند. یافته‌ها‌: در طیف کامل طول موج، مدل‌ BP-ANN قدرت پیش‌بینی نسبتاً ضعیفی را نشان داد (76/0=R2P و 45/4=RMSEP). بعد از انتخاب 10 طول موج، توانایی مدل‌های ساده‌ شده بهتر از مدل مبتنی بر طیف کامل بود. قدرت پیش‌بینی مدل ساده‌ BP-ANN بالاتر از MLR بود (820/0=R2P(RC-BP-ANN) و 79/3=RMSEPRC-BP-ANN؛ 794/0=R2P(RC-MLR) و 25/4=RMSEPRC-MLR). بنابراین RC-BP-ANN عملکرد خوبی را در پیش‌بینی شاخص TVB-N نشان داد (90/0 R2P 82/0). نتیجه گیری: اگرچه مدل چندطیفی ساده‌ی توسعه‌یافته بر پایه‌ی مدل BP-ANN نتایج امیدوارکننده‌ای را در پیش‌بینی مقادیر TVB-N فیله‌ی ماهی گوازیوم دم‌رشته‌ای نشان داد. اما، مدل پایه‌ریزی‌شده قدرت پیش‌بینی قوی را در طول دوره‌ی نگهداری نشان نداد. بنابراین مطالعات بیش‌تری به منظور بهبود قدرت پیش‌بینی و کاربری روش HSI برای برآورد TVB-N در ماهی گوازیوم دم‌رشته‌ای نیاز است. Background and Objectives: Considering the importance of safety evaluation of fish and seafood from capture to purchase, rapid and nondestructive methods are in urgent need for seafood industry. This study aimed to assess the application of hyperspectral imaging (HSI: 430-1010 nm) for prediction of total volatile basic nitrogen (TVB-N) in Japanese-threadfin bream (Nemipterusjaponicus) fillets, as a marine fish, during 8 days of cold storage (4±2°C).  Materials & Methods: Hyperspectral imaging data and TVB-N value of the fillets were obtained in the laboratory. The basic prediction model was established based on Back-propagation artificial neural network (BP-ANN). To simplify the calibration models, 10 wavelengths were selected based on regression-coefficient (RC). Multiple-linear regression (MLR) and BP-ANN models were established based on the selected wavelengths. Results: In full spectral range, the BP-ANN models exhibited relatively weak prediction performance (R2P=0.76 and RMSEP=4.45). After selecting 10 wavebands, the capability of the simplified models was better than that of the full-wavebands. The predictive power of simplified BP-ANN was better than that of MLR model (R2P(RC-BP-ANN)=0.820; RMSEPRC-BP-ANN=3.79 and R2P(RC-MLR)=0.794 and RMSEPRC-MLR=4.25). Therefore, r RC-BP-ANN model showed  more acceptable predictive performance (0.82 R2P 0.90). Conclusion: Although the effectiveness of the developed simple multispectral imaging system based on BP-ANN model showed promising results to predict the TVB-N values of fillets, it did not show a strong prediction power of TVB-N values during storage. Therefore, further researches are required to enhance the prediction power and suitability of HSI method to evaluate TVB-N value in Japanese threadfin bream fish.   انتخاب متغیر, بازهای ازته فرار کل, تحلیل شیمی‌سنجی, تصاویر ابرطیفی, ماهی گوازیوم دم رشته‌ای Chemometric analysis, Total volatile basic nitrogen, Hyperspectral imaging, Japanese threadfin bream 113 122 http://nsft.sbmu.ac.ir/browse.php?a_code=A-10-3293-1&slc_lang=fa&sid=1 S Khoshnoudi-Nia سارا خشنودی نیا sarakhoshnoudi@yahoo.com 11500319475328460019538 11500319475328460019538 No Shiraz university دانشکاه شیراز M Moosavi-Nasab مرضیه موسوی نسب marzieh.moosavi-nasab@mail.mcgill.ca 11500319475328460019539 11500319475328460019539 Yes Shiraz university دانشگاه شیراز