تعیین مدل پیش بینی هوشمند و غیر مخرب خواص کیفی یک رقم گوجه فرنگی با استفاده از طیف سنجی رامان

اندازه گیری سریع، غیر مخرب و دقیق عامل های کیفی میوه ها از جمله میوه گوجه فرنگی نظیر میزان مواد جامد محلول، ph و رنگ از اهمیت بالایی برخوردار می باشد. برای همین منظور از روش رامان برای اندازه گیری غیرمخرب این ویژگی ها در گوجه فرنگی استفاده شد. مقایسه طیف های قند خالص و طیف های میوه به صورت غیرمخرب نشان داد که اثر انگشت های طیفی مربوط به قندها را می توان در محدوده طیفی cm-1 3000 و cm-1 2300 کاوش نمود. بررسی باندهای مرتبط با کربوهیدرات ها در طیف های بدست آمده نشان داد که باندهای بین ناحیه cm-1 870-845 ناشی از ارتعاشات کششی پیوند c-h در طیف ها ظاهر می شوند. پیک های ضعیف و متوسط بین ناحیه cm-1 900-840 نیز مربوط به کربوهیدرات ها و آمینواسیدها می باشد. همچنین، نوارهای مربوط به رنگ را می توان به ارتعاش های ?1، ?2 و ?3 کارتنوئیدهای ?-carotene و ?-carotene نسبت داد که به دلیل ارتعاشات کششی کربن – کربن (c=c و c-c) در زنجیره اصلی بوجود می آیند. دو مدل آماری pcr و pls1 و یک مدل هوشمند شبکه عصبی برای برقراری کالیبراسیون طیفی بکار گرفته شد. مدل pcr به دلیل ضریب تعیین پایین، رگرسیون نامناسب و سرعت همگرایی کم برای ایجاد چنین کالیبراسیونی مطلوب نمی باشد. عملکرد مدل pls1 در پیش بینی ssc گوجه فرنگی در محدوده طیفی cm-1 3100-1700 بهتر می باشد. دقت مدل pls1 برای تخمین ph نیز مورد قبول است (r2=0.57). بنابراین مدل pls1 بهبود چشمگیری در زمینه ضریب تعیین کالیبراسیون طیف ها داشته است. عملکرد مدل pls1 که برای رقمp.s گلخانه ای طراحی شده بود برای ارقام p.s مزرعه ای و super luna نیز مطلوب می باشد. تفاوت های معنی داری در میانگین پارامتر های کیفی سه رقم مورد آزمایش نشان می دهد که ارقام p.s مزرعه ای و گلخانه ای در میزان ssc، ph و شاخص های رنگی اختلافی ندارند اما با رقم super luna از لحاظ کیفی متفاوت اند. تجزیه pca بر روی طیف های سه رقم مزکور ثابت می کند که سه رقم تحت بررسی از نقطه نظر طیفی و فیچرهای مربوط به باندهای طیف رامان از همدیگر متمایز بوده و در سه گروه جداگانه قرار می گیرند. عملکرد شبکه پرسپترون سه لایه طراحی شده برای پیش بینی میزان مواد جامد محلول گوجه فرنگی بسیار مطلوب می باشد (r2=0.89) اما مدل مورد نظر در مورد ph رگرسیون مناسبی بین مقادیر اندازه گیری شده و پیش بینی برقرار نمی کند. مقایسه نتایج ارائه شده برای شبکه های عصبی با نتایج مربوط به مدل pls1 ثابت می کند که اگرچه مقدار ضریب تعیین در pls1 کمی بالاتر از شبکه عصبی می باشد، ولی به دلیل سرعت بالای شبکه و تحلیل همزمان تمام پارامترها در یک شبکه واحد و نیز استفاده از محدوده کامل طیفی در یک تحلیل، می توان شبکه های عصبی را برای پیش بینی مقادیر کیفی از طیف های رامان به مدل های آماری مذکور ترجیح داد. بطور کلی و با استناد به یافته های این تحقیق طیف سنجی رامان به عنوان روشی مطمئن، سریع و کارا در اندازه گیری عامل های کیفی میوه ها اعم از ویژگی های داخلی (قند) و خارجی (رنگ) قابل پیشنهاد می باشد.