ارزیابی الگوهای شناسایی برای تشخیص ناخالصی روغن کنجد توسط سامانه ماشین بویایی مبتنی بر تحلیل چند متغیره

روغن کنجد یکی از روغن های بسیار با کیفیت خوراکی است که قیمت بالای آن، انگیزه را برای تولید نمونه تقلبی افزایش داده است. بنابراین، شناسایی ناخالصی به ویژه با ابزار یا روش های غیرتماسی برای تشخیص خلوص روغن کنجد نسبت به نوع تقلبی آن، اهمیت زیادی دارد. در این پژوهش، میزان اسید های چرب نمونه های خالص روغن کنجد، کلزا، آفتابگردان و ترکیب آنها با سطوح ناخالصی (5، 10، 20، 30، 40 و50 درصد) به روش گازکروماتوگرافی تعیین و سپس، قابلیت سامانه ماشین بویایی طراحی شده بر پایه ده حسگر نیمه هادی اکسید فلزی برای تشخیص و طبقه بندی نمونه ها ارزیابی شد. پس از استخراج بردار ویژگی پاسخ حسگرها نسبت به ترکیبات فرار مواد آلی روغن ها، داده های پیش پردازش شده با روش های تحلیل چند متغیره تحلیل مولفه های اصلی، تحلیل تفکیک خطی، حداقل مربعات جزیی، K-نزدیک ترین همسایه و ماشین بردارپشتیبان به منظور تشخیص و طبقه بندی نمونه های ناخالص، بررسی شدند. در روش PCA، واریانس مجموعه داده ها 68/95 درصد به دست آمد. برای انتخاب الگوی مناسب با دقت بالا، داده های به دست آمده با روش های LDA، KNN و SVM طبقه بندی شدند. نتایج نشان داد ماشین بردارپشتیبان با تابع کرنل پایه شعاعی در روش C-SVM دارای بیشترین دقت طبقه بندی بود و دقت آموزش و اعتبارسنجی به ترتیب 34/96 و 56/90 درصد به دست آمد. بعد از آن، مدل های LDA و KNN به ترتیب دارای دقت طبقه بندی 30/92 و 83/89 درصد بودند. بر پایه نتایج به دست آمده، این سامانه به همراه الگورتیم طبقه بندی مناسب می تواند به عنوان روشی غیرمخرب برای طبقه بندی موفق نمونه ها و تشخیص ناخالصی های روغن کنجد به کار گرفته شود.