تشخیص قارچ های خوراکی و غیر خوراکی با استفاده از بینی الکترونیکی و هوش مصنوعی
عدم توانایی مردم عادی در تفکیک قارچ های خوراکی از قارچ های غیرخوراکی و سمی چالشی پرمخاطره است که می تواند منجر به بروز مسمومیت قارچی شود. در این پژوهش امکان سنجی کاربرد سامانه ماشین بویایی بر پایه ی حسگرهای نیمه هادی اکسید فلزی به عنوان ابزاری غیر مخرب برای تفکیک قارچ های غیرخوراکی از قارچ های خوراکی مورد ارزیابی قرار گرفت. تحلیل مولفه های اصلی PCA، تحلیل تفکیک خطیLDA ، تحلیل تفکیک خطی درجه 2QDA ، ماشین بردار پشتیبان SVM و شبکه عصبی مصنوعی ANN روش هایی بودند که برای رسیدن به این هدف مورد استفاده قرار گرفتند. نتایج به دست آمده از تحلیلها نشان داد که بهترین عملکرد روش PCA در تفکیک 5 نمونه قارچ خوراکی و غیرخوراکی با دقت 91 درصدی بود. نتایج به دست آمده نشان داد که روش تحلیل QDA با دقت 100 درصدی و عملکرد بهتری از روش LDA نمونه های قارچ را در سه دستهی مختلف تفکیک کرد. در این میان، روش SVM از میان نمونه های قارچ خوراکی و قارچ غیر خوراکی تنها توانست قارچ A.bisporus را به صورت کامل و 100 درصدی تشخیص دهد و عملکرد مناسبی در تفکیک سایر نمونه ها نداشت. روش ANN عملکرد مطلوبی در طبقه بندی نمونه ها داشت به طوری که توانست نمونه های A. bisporus، S. comptus و R. delica را به صورت 100 درصدی طبقه بندی کند. با توجه به نتایجی که در این پژوهش به دست آمد، می توان گفت دقت روش QDA در طبقهبندی انواع مختلف قارچ ها نسبت به سایر روش ها بالاتر بود. با توجه به عملکرد مناسب بویایی ماشین در تفکیک قارچ های خوراکی از قارچ های غیرخوراکی، به نظر می رسد کاربرد این فناوری روشی امیدبخش در تفکیک گونه های مختلف قارچ خواهد بود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.