برآورد میزان شاخص‌شمارش کلی میکروبی میگوی پرورشی (گونه وانامی) به کمک پردازش تصویر

Estimation of total microbial count by image processing in shrimp (Litopenaeus vannamei)

Text

مقاله پژوهشی

Research Article

(2015-04-21)
افزایش میزان تولید و مصرف میگو اهمیت تازگی و کیفیت این محصول غذایی را برای صنعت میگو دو چندان کرده است. امروزه تعیین شاخصهای کیفی یکی از موضوعهای جدید و مورد علاقهی بسیاری از مهندسان صنایع غذایی و بیوسیستم است، زیرا دانستن میزان کیفیت مواد غذایی میتواند اطلاعات بیش‌تری دربارهی شرایط نگه‌داری و نظارت آن ارائه نماید. اهمیت مقوله پردازش تصاویر در کنترل کیفیت بدین جهت است که تعیین کیفیت مواد غذایی با هزینه کم‌تر و راحت‌تر می‌باشد و بدین ترتیب مواد غذایی از آسیبهای مکانیکی ناشی از آزمونهای شیمیایی مصون میماند. در این میان یکی از شاخصهای تازگی مواد غذایی به خصوص در آبزیان شمارش کلی میکروبی است. لذا در این مطالعه، سعی شده است مدلی برای پیش بینی مقادیر شمارش کلی میکروبی با کمک پردازش تصویر و شبکههای عصبی مصنوعی برای میگوی (وانامی) در طی چهار مرحله نگه‌داری (روز اول، روز سوم، روزششم و روز نهم) با شرایط نگه‌داری مرسوم (دریخ و با صفر تا 2 درجه سانتی‌گراد) برآورد شود. پس از انتخاب بهترین شرایط نورپردازی، تصویر برداری به‌وسیله یک دوربین دیجیتال و در دو نمای بالا و کنار انجام گرفت. این تصاویر به رایانه انتقال داده شدند. سپس برای استخراج ویژگیهای تصویر از جعبه ابزار پردازش تصویر نرم افزار متلب استفاده شد. مقدار a* و b* بدست آمده از تصاویر بالا در طول نگه‌داری در سطح احتمال (p p
Increasing production and consumption of shrimp has redoubled the importance of the freshness and quality of this food product to shrimp industry. Nowadays, determination of quality indicators is new and favorite topic for Food and Biosystems Engineering because the awareness on the food quality level can give us more information about the storage and supervision conditions. The importance of image processing in quality control is due to the determination of food material quality is less expensive and more convenient, thereby the food materials are protected from the mechanical damages caused by chemical tests. Meanwhile, total microbial count is one the indicators of food freshness particular in seafood. Therefore, in this study, it was tried to estimate a model for the prediction of the total microbial count of cultured shrimp (Litopenaeus vannamei) using image processing coupled with artificial neural networks during four storage stages (0,3,6 and 9 days) with conventional storage conditions (at temperature of 2 oC, in ice). After choosing the best lighting conditions, image capturing using a digital camera in side and top views was done. The images transferred to the computer. Then, using the Image Processing Toolbox functions in MATLAB software, the features were extracted. The a* and b* values for top images linearly increased (p < 0.05). Comparing the results obtained from Duncans' test, it can be found that for the images taken from top view during shrimp storage, there exist a robust correlation among mean color change R, b* variance, V mean, Y mean, y mean, b* mean, and I mean with the total microbial count of shrimp. Therefore, the color and texture of the shrimp image parameters can be used as a nondestructive, cheap and easy method for the quick evaluation of total microbial count of shrimp in food industry and food quality control.
مجموعه‌ها: