Due to its high nutritional value a

Due to its high nutritional value and tasty taste, the consumer
demand for beef increases dramatically during the last decades. In
USA alone the beef industry has a retail value equals to $73 billion
in 2009 alone with about 26.9 billion pounds of beef being
consumed in that year [1]. However, beef is highly susceptible
to spoilage and contamination. The freshness of beef degrades
because microbial spoilage and biochemical reactions occur during
storage. The main ingredients like protein, fat and carbohydrates
will be decomposed by enzymes and bacteria, producing odor: the
protein will be decomposed into ammonia, hydrogen sulfide, ethyl
mercaptan, etc.; the fat will be decomposed into aldehydes and
aldehyde acids; the carbohydrates will be decomposed into alcohols,
ketones, aldehydes, and carboxylic acid gases [2]. Metabolites
such as trimethylamine, aldehydes, ketones and esters, as well as
other low molecular weight compounds responsible for off-flavors
and sensory product rejection are produced. During storage, these
substances and other basic nitrogenous compounds together make
up total volatile basic nitrogen (TVBN). The odor gets more and
more intense with the decrease of beef freshness. Consumption of
spoilage beef could cause serious health hazards [3].
A number of techniques have been used to assess beef freshness.
Traditionally, sensory evaluation, chemical experiments includingTVBN evaluation and microbial population evaluation are three
key techniques [4]. The sensory evaluation attributes usually cover
color, flavor and texture including viscosity and elasticity [5]. This
method provides immediate quality information but suffers from
some disadvantages, for example, the subjective nature of the
assessment. Errors may arise from fatigue of panelists, and low
threshold concentrations of stale odor compounds may not be
perceived [6]. The TVBN evaluation and the microbial population
evaluation methods are objective and precise. However, these two
methods are destructive and time-consuming.
The developments of electronics and sensor technologies show
promises for developing rapid and nondestructive sensors for meat
quality/safety [7]. Electronic nose (e-nose), also known as artificial
olfactory, is a simulation of biological functions to identify some
simple or complex odor [8,9]. A typical e-nose system contains a
selective chemical sensor array, a signal processing subsystem and
a pattern recognition subsystem. The sensors in the sensor array
are sensitive to different substances, for example, some sensors
can discern ammonia and some can discern aldehydes. So instead
of detecting one or two components of the substances, the e-nose
extracts the whole information for identification.
Since the last decades, some researchers have been studying the
potential of using the e-nose as a non-destructive method for food
detection [10–14]. Zhang et al. [15] reported using a nine nano ZnO
thick film gas sensors based e-nose to analyze 17 kinds of commercial
Chinese vinegars, and the Principle Component Analysis (PCA)
and Cluster Analysis (CA) results showed that characterizing the
Chinese vinegars by the e-nose was highly related to their type,raw materials, total acidity, fermentation method and production
area. After performing the Learning Vector Quantization (LVQ)
neural network, the accuracy in terms of predicting tested vinegar
measurements was 72.1%, 76.5%, 77.9%, 94.1% and 82.4% according
to their type, raw materials, total acidity, fermentation method
and production area, respectively; Pang et al. [16] investigated the
capacity of using an e-nose to classify wheat samples of five storage
ages. The PCA and Linear Discriminant Analysis (LDA) results
showed that all the five wheat groups could be discriminated.
Artificial Neural Network (ANN) was also performed, and 85% of
the testing set was classified correctly by a Back Propagation Neural
Network (BPNN); Yu et al. [17] reported using an e-nose to classify
Longjing tea grade based on dry tea leaf, tea beverages and tea
remains volatiles. PCA was applied to decrease the data dimension
and optimize the feature vector. LDA and BPNN were employed
for the classification, and the result showed that both of the LDA
and the BPNN methods achieved better discrimination for the tea
grades based on the tea beverages. However, most of the previous
research just focused on the discrimination without building multiple
prediction models. In many cases, only an e-nose was used,
with no other experiments combined. So even if we can predict
the storage time (ST) of the food, we still do not know its microbial
population or other indexes to precisely identify their freshness
degree.
In this research, four experiments were conducted: e-nose
detection, sensory evaluation, TVBN and microbial population
evaluation. As for the e-nose detection, a pre-experiment was conducted
to observe if an Enrichment and Desorption Unit (EDU) had
significant effect on the performance of the e-nose. The main objective
of this research is to evaluate the capacity of using an e-nose to
classify beef strip loins (M. Longissimus lumborum) of seven ST (0, 3,
5, 7, 10, 12 and 14 days), as well as to predict the ST, TVBN content,
microbial population and sensory scores of the samples. Mahalanobis
Distance (MD), PCA, LDA and Stepwise Linear Discriminant
Analysis (Stepwise LDA) were applied to distinguish beef samples
with different ST, and BPNN and Generalized Regression Neural
Network (GRNN) were applied to build prediction models for the
physical–chemical indexes. The accuracy of these two methods was
compared.

ผลลัพธ์ (ไทย) 1:

ของคุณค่าทางโภชนาการสูงและรสชาติอร่อย ผู้บริโภคความต้องการเนื้อเพิ่มขึ้นอย่างมากในช่วงทศวรรษที่ผ่านมาล่าสุด ในสหรัฐอเมริกาคนเดียวอุตสาหกรรมเนื้อมีราคาขายปลีกค่าเท่ากับ $73 พันล้านในปี 2552 เท่ากับประมาณ 26.9 ล้านปอนด์ของเนื้อใช้ในปีนั้น [1] อย่างไรก็ตาม เนื้อจึงไวต่อสูงการเน่าเสียและการปนเปื้อน ความสดของเนื้อเสื่อมเนื่องจากเน่าเสียจุลินทรีย์และปฏิกิริยาชีวเคมีที่เกิดขึ้นระหว่างจัดเก็บ ส่วนผสมหลักเช่นโปรตีน ไขมัน และคาร์โบไฮเดรตจะย่อยสลายไป ด้วยเอนไซม์และแบคทีเรีย ผลิตกลิ่น: การโปรตีนจะถูกย่อยสลายไปเป็นแอมโมเนีย ไฮโดรเจนซัลไฟด์ เอทิลmercaptan ฯลฯ ., ไขมันจะถูกย่อยสลายไปเป็น aldehydes และแอลดีไฮด์กรด คาร์โบไฮเดรตจะย่อยสลายไปเป็น alcoholsคีโตน aldehydes และก๊าซกรด carboxylic [2] Metabolitestrimethylamine, aldehydes คีโตน และ esters เป็นอื่น ๆ สารน้ำหนักโมเลกุลต่ำที่ชอบออกรสชาติและการปฏิเสธทางประสาทสัมผัสของผลิตภัณฑ์ที่ผลิต ระหว่างการเก็บรักษา เหล่านี้สารและอื่น ๆ พื้นฐานไนโตรจีนัสสารกันค่าการระเหยพื้นฐานไนโตรเจน (TVBN) กลิ่นได้รับเพิ่มเติม และยิ่งรุนแรงกับการลดลงของเนื้อสด ปริมาณการใช้เนื้อเน่าเสียอาจทำให้เกิดอันตรายร้ายแรงสุขภาพ [3]มีการใช้จำนวนเทคนิคการประเมินเนื้อสดมีสามแบบดั้งเดิม การประเมินทางประสาทสัมผัส การทดลองเคมี includingTVBN ประเมิน และประเมินประชากรจุลินทรีย์คีย์เทคนิค [4] แอตทริบิวต์การประเมินทางประสาทสัมผัสปกติครอบคลุมสี รสชาติ และเนื้อสัมผัสที่ความหนืดและความยืดหยุ่น [5] นี้วิธีแสดงข้อมูลคุณภาพทันที แต่ suffers จากข้อเสียบางอย่าง เช่น ธรรมชาติตามอัตวิสัยของการการตรวจประเมิน ข้อผิดพลาดอาจเกิดขึ้นจากความอ่อนเพลีย ของ panelists และต่ำขีดจำกัดความเข้มข้นของสารประกอบกลิ่นเก่าอาจไม่รับรู้ [6] การประเมินผล TVBN และประชากรจุลินทรีย์วิธีการประเมินชัดเจน และวัตถุประสงค์ อย่างไรก็ตาม สองวิธีที่จะทำลาย และใช้เวลานานการพัฒนาอุปกรณ์อิเล็กทรอนิกส์และเซ็นเซอร์แสดงเทคโนโลยีสัญญาสำหรับการพัฒนาอย่างรวดเร็ว และทำลายเซ็นเซอร์สำหรับเนื้อสัตว์คุณภาพ/ปลอดภัย [7] จมูกอิเล็กทรอนิกส์ (อีจมูก), เทียมหรือที่เรียกว่าสมาน เป็นการจำลองงานทางชีวภาพระบุบางธรรมดา หรือซับซ้อนกลิ่น [8,9] ระบบอีจมูกทั่วไปประกอบด้วยการเรย์เซนเซอร์เคมีใช้ ระบบย่อยของการประมวลผลสัญญาณ และระบบย่อยการรู้จำรูปแบบ เซ็นเซอร์ในเซนเซอร์อาร์เรย์มีความไวต่อสารแตกต่างกัน เช่น เซ็นเซอร์บางสามารถแยกแยะแอมโมเนีย และบางส่วนสามารถแยกแยะ aldehydes ดังนั้นแทนตรวจส่วนประกอบหนึ่ง หรือสองของสาร อีจมูกแยกข้อมูลทั้งหมดสำหรับการระบุตั้งแต่ทศวรรษ นักวิจัยบางส่วนได้รับการศึกษาศักยภาพของการใช้อีจมูกเป็นวิธีแบบไม่ทำลายสำหรับอาหารตรวจ [10-14] Al. ร้อยเอ็ดเตียว [15] รายงานการใช้นาโนเก้า ZnOเซ็นเซอร์แก๊สฟิล์มหนาตามอีจมูกเพื่อวิเคราะห์ชนิด 17 ของพาณิชย์จีน vinegars และวิเคราะห์ส่วนประกอบหลัก (PCA)และคลัสเตอร์วิเคราะห์ (CA) ผลลัพธ์แสดงให้เห็นว่าการกำหนดลักษณะการสูงเกี่ยว vinegars จีน โดย e-จมูกของพวกเขาชนิด วัตถุดิบ ว่า วิธีหมัก และผลิตที่ตั้ง หลังจากการเรียนรู้แบบเวกเตอร์ Quantization (LVQ)โครงข่ายประสาท ความแม่นยำในการคาดการณ์ทดสอบน้ำส้มสายชูวัดได้ 72.1%, 76.5%, 77.9%, 94.1% และ 82.4% ตามของชนิด วัตถุดิบ ว่า วิธีการหมักพื้นที่การผลิต และตามลำดับ ปาง et al. [16] ตรวจสอบการกำลังการผลิตของการใช้อีจมูกการจำแนกตัวอย่างข้าวสาลีเก็บห้ายุค ผลการวิเคราะห์ Discriminant เชิงเส้น (LDA) และสมาคมแสดงให้เห็นว่า กลุ่มทั้งหมดห้าข้าวสาลีสามารถ discriminatedประดิษฐ์ประสาทเครือข่าย (แอน) ยังถูกดำเนินการ และ 85% ของชุดทดสอบถูกประเภทถูกตัวกลับเผยแพร่ประสาทเครือข่าย (BPNN); Yu et al. [17] รายงานการใช้ e-จมูกการจัดประเภทLongjing ชาเกรดใบชาแห้ง เครื่องดื่มชา และชาคงเหลือ volatiles ใช้ PCA เพื่อลดขนาดข้อมูลและเวกเตอร์คุณลักษณะการปรับให้เหมาะสม จ้าง LDA และ BPNNสำหรับการจัดประเภท และผลชี้ให้เห็นว่าทั้งการ LDAและวิธีการ BPNN ได้อย่างดีสำหรับน้ำชาเกรดที่ใช้ในเครื่องดื่มชา อย่างไรก็ตาม ส่วนใหญ่ของก่อนหน้าวิจัยเพียงเน้นการเลือกปฏิบัติโดยไม่ต้องสร้างหลายรูปแบบจำลองการคาดเดา ในหลายกรณี เท่าอีจมูกใช้กับการทดลองอื่น ๆ ไม่รวม ดังนั้นแม้ว่าเราสามารถทำนายเวลาเก็บ (ST) ของอาหาร เรายังไม่รู้ของจุลินทรีย์ประชากรหรือดัชนีอื่น ๆ ระบุความสดความแม่นยำระดับปริญญาในงานวิจัยนี้ ได้ดำเนินการทดลองที่ 4: อีจมูกตรวจสอบ การประเมินทางประสาทสัมผัส TVBN และประชากรจุลินทรีย์การประเมินผล สำหรับตรวจสอบอีจมูก วิธีทดลองก่อนสังเกตถ้า บ่อและ Desorption หน่วย (EDU) การมีลักษณะพิเศษที่สำคัญในประสิทธิภาพของ e-จมูก วัตถุประสงค์หลักงานวิจัยนี้เป็นการ ประเมินกำลังการผลิตของใช้การอีจมูกจัดประเภทเนื้อแถบ loins (M. Longissimus lumborum) ของ ST เจ็ด (0, 35, 7, 10, 12 และ 14 วัน), และด้วยเป็นทำนาย ST เนื้อหา TVBNประชากรจุลินทรีย์และคะแนนทางประสาทสัมผัสของตัวอย่าง Mahalanobisระยะทาง (MD), PCA, LDA และเชิง Discriminant Stepwiseการวิเคราะห์ (Stepwise LDA) ถูกใช้เพื่อแยกเนื้อตัวอย่างต่าง ๆ ST, BPNN และตั้งค่าทั่วไป ประสาทถดถอยเครือข่าย (GRNN) ถูกนำไปใช้ในการสร้างแบบจำลองการพยากรณ์สำหรับการทางกายภาพ – เคมีดัชนี มีความถูกต้องของวิธีการเหล่านี้สองเปรียบเทียบ

ผลลัพธ์ (ไทย) 2:

เนื่องจากคุณค่าและรสชาติอร่อยทางโภชนาการสูงของผู้บริโภค
มีความต้องการเพิ่มขึ้นอย่างมากในช่วงเนื้อทศวรรษที่ผ่านมา ใน
สหรัฐอเมริกาเพียงอย่างเดียวอุตสาหกรรมเนื้อมีมูลค่าการค้าปลีกเท่ากับ 73000000000 $
ในปี 2009 เพียงอย่างเดียวที่มีประมาณ£ 26900000000 ของเนื้อถูก
บริโภคในปีนั้น [1] แต่เนื้อเป็นอย่างมากที่ไวต่อ
การเน่าเสียและการปนเปื้อน ความสดของเนื้อลด
การเน่าเสียเพราะจุลินทรีย์และปฏิกิริยาทางชีวเคมีที่เกิดขึ้นในระหว่าง
การเก็บรักษา ส่วนผสมหลักเช่นโปรตีนไขมันและคาร์โบไฮเดรต
จะถูกย่อยสลายโดยเอนไซม์และแบคทีเรียผลิตกลิ่น:
โปรตีนจะถูกย่อยสลายเป็นแอมโมเนียก๊าซไข่เน่าเอทิล
mercaptan ฯลฯ .; ไขมันจะถูกย่อยสลายเป็นลดีไฮด์และ
กรดลดีไฮด์; คาร์โบไฮเดรตจะถูกย่อยสลายเป็นแอลกอฮอล์,
คีโตนลดีไฮด์และกรดคาร์บอกซิก๊าซ [2] สาร
เช่นไตรเมทธิล, ลดีไฮด์คีโตนและเอสเทอเช่นเดียวกับที่
อื่น ๆ ที่มีน้ำหนักโมเลกุลต่ำสารประกอบรับผิดชอบในการออกรสชาติ
และการปฏิเสธสินค้าทางประสาทสัมผัสที่มีการผลิต ระหว่างการเก็บรักษาเหล่านี้
สารและสารประกอบไนโตรเจนอื่น ๆ ขั้นพื้นฐานร่วมกันทำ
ขึ้นทั้งหมดระเหยไนโตรเจนล่าง (TVBN) กลิ่นที่ได้รับมากขึ้นและ
รุนแรงมากขึ้นกับการลดลงของความสดเนื้อวัว การบริโภค
เนื้อเน่าเสียอาจก่อให้เกิดอันตรายต่อสุขภาพอย่างร้ายแรง [3].
เทคนิคต่างๆได้ถูกนำมาใช้ในการประเมินความสดใหม่เนื้อ.
ตามเนื้อผ้าทดสอบทางประสาทสัมผัสการทดลองทางเคมีการประเมินผลและการประเมินผล includingTVBN ประชากรจุลินทรีย์สาม
เทคนิคที่สำคัญ [4] การประเมินผลทางประสาทสัมผัสคุณลักษณะมักจะครอบคลุม
สีกลิ่นรสและเนื้อสัมผัสรวมทั้งความหนืดและความยืดหยุ่น [5] นี้
วิธีการให้ข้อมูลที่มีคุณภาพในทันที แต่ทนทุกข์ทรมานจาก
ข้อเสียบางอย่างเช่นลักษณะวิสัยของ
การประเมิน ข้อผิดพลาดที่อาจเกิดขึ้นจากความเหนื่อยล้าของผู้ร่วมอภิปรายและต่ำ
เกณฑ์ความเข้มข้นของสารที่มีกลิ่นเหม็นอับอาจจะไม่ได้
รับรู้ [6] การประเมินผล TVBN และประชากรจุลินทรีย์
วิธีการประเมินผลมีวัตถุประสงค์และแม่นยำ แต่ทั้งสอง
วิธีการทำลายและใช้เวลานาน.
การพัฒนาของอุปกรณ์อิเล็กทรอนิกส์และเทคโนโลยีเซ็นเซอร์แสดง
สัญญาสำหรับการพัฒนาเซ็นเซอร์อย่างรวดเร็วและไม่ทำลายเนื้อ
คุณภาพ / ความปลอดภัย [7] จมูกอิเล็กทรอนิกส์ (E-จมูก) ยังเป็นที่รู้จักในฐานะเทียม
จมูกเป็นแบบจำลองของการทำงานทางชีวภาพในการระบุบาง
กลิ่นเรียบง่ายหรือซับซ้อน [8,9] ระบบอีจมูกโดยทั่วไปมี
อาร์เรย์เซ็นเซอร์เคมีเลือกระบบย่อยการประมวลผลสัญญาณและ
รูปแบบระบบย่อยรับรู้ เซ็นเซอร์ในอาร์เรย์เซ็นเซอร์
มีความไวต่อสารที่แตกต่างกันเช่นเซ็นเซอร์บางส่วน
สามารถมองเห็นแอมโมเนียและบางคนสามารถมองเห็นลดีไฮด์ ดังนั้นแทนที่จะ
ตรวจสอบหนึ่งหรือสองส่วนประกอบของสาร, e-จมูก
สารสกัดจากข้อมูลทั้งหมดสำหรับการระบุ.
ตั้งแต่ทศวรรษที่ผ่านมานักวิจัยบางคนได้รับการศึกษา
ที่มีศักยภาพของการใช้ e-จมูกเป็นวิธีที่ไม่ทำลายสำหรับอาหาร
การตรวจสอบ [10-14] Zhang et al, [15] รายงานการใช้นาโนซิงค์ออกไซด์เก้า
วัดก๊าซฟิล์มหนา based e-จมูกเพื่อวิเคราะห์ 17 ชนิดของการค้า
vinegars จีนและวิเคราะห์องค์ประกอบหลักการ (PCA)
และการวิเคราะห์คลัสเตอร์ (CA) ผลการศึกษาพบว่าพัฒนาการ
vinegars จีนโดย e -nose เกี่ยวข้องอย่างมากกับชนิดของพวกเขา, วัตถุดิบปริมาณกรดทั้งหมดวิธีการหมักและการผลิต
ในพื้นที่ หลังจากการดำเนินการการเรียนรู้เวกเตอร์ Quantization (LVQ)
เครือข่ายประสาทความถูกต้องในแง่ในการคาดการณ์การทดสอบน้ำส้มสายชู
วัดเป็น 72.1%, 76.5%, 77.9%, 94.1% และ 82.4% ตาม
ประเภทของพวกเขาวัตถุดิบปริมาณกรดทั้งหมดวิธีการหมัก
และ พื้นที่การผลิตตามลำดับ; ปางและคณะ [16] การตรวจสอบ
ความจุของการใช้ e-จมูกในการจำแนกกลุ่มตัวอย่างข้าวสาลีในห้าของการจัดเก็บ
ทุกเพศทุกวัย PCA และจำแนกเชิงเส้นวิเคราะห์ (LDA) ผล
การศึกษาพบว่าทุกห้ากลุ่มข้าวสาลีอาจจะมีการเลือกปฏิบัติ.
โครงข่ายประสาทเทียม (ANN) ได้ดำเนินการด้วยและ 85% ของ
ชุดทดสอบถูกจัดอย่างถูกต้องโดยการขยายพันธุ์กลับประสาท
เครือข่าย (BPNN) ; Yu et al, [17] รายงานการใช้ e-จมูกที่จะจัด
เกรดชา Longjing ขึ้นอยู่กับใบชาแห้งเครื่องดื่มชาและน้ำชา
ยังคงเป็นสารระเหย PCA ถูกนำมาใช้เพื่อลดขนาดข้อมูล
และเพิ่มประสิทธิภาพเวกเตอร์คุณลักษณะ LDA และ BPNN ถูกจ้าง
สำหรับการจำแนกประเภทและผลการทดลองพบว่าทั้งสอง LDA
และวิธีการที่ประสบความสำเร็จ BPNN การเลือกปฏิบัติที่ดีสำหรับชา
เกรดขึ้นอยู่กับเครื่องดื่มชา แต่ส่วนใหญ่ของก่อนหน้านี้
เพียงแค่การวิจัยมุ่งเน้นไปที่การเลือกปฏิบัติโดยไม่ต้องสร้างหลาย
รุ่นทำนาย ในหลายกรณีเท่านั้น e-จมูกถูกนำมาใช้
กับการทดลองอื่น ๆ รวมกัน ดังนั้นแม้ว่าเราสามารถคาดการณ์
เวลาการเก็บรักษา (ST) ของอาหารที่เรายังไม่ทราบว่าจุลินทรีย์ของ
ประชากรหรือดัชนีอื่น ๆ ได้อย่างแม่นยำในการระบุความสดใหม่ของพวกเขา
ในระดับ.
ในงานวิจัยนี้สี่ทดลอง: E-จมูก
การตรวจสอบการทดสอบทางประสาทสัมผัส , TVBN และจุลินทรีย์ประชากร
การประเมินผล สำหรับการตรวจสอบทาง e-จมูกทดลองก่อนได้ดำเนินการ
ในการสังเกตถ้าการตกแต่งและปลดปล่อยหน่วย (Edu) มี
ผลกระทบต่อประสิทธิภาพการทำงานของ e-จมูก วัตถุประสงค์หลัก
ของงานวิจัยนี้คือการประเมินขีดความสามารถของการใช้ e-จมูกเพื่อ
จำแนกเอวแถบเนื้อ (เอ็ม longissimus กลับกลับ) เจ็ด ST ที่ (0, 3,
5, 7, 10, 12 และ 14 วัน) รวมทั้ง เป็นที่จะคาดการณ์ ST เนื้อหา TVBN,
ประชากรจุลินทรีย์และคะแนนทางประสาทสัมผัสของกลุ่มตัวอย่าง Mahalanobis
ระยะทาง (MD) PCA, LDA และแบบขั้นตอนการจำแนกเชิงเส้น
วิเคราะห์ (แบบขั้นตอน LDA) ถูกนำไปใช้ในการแยกแยะตัวอย่างเนื้อวัว
ที่มีแตกต่างกัน ST และ BPNN และทั่วไปถดถอยประสาท
เครือข่าย (GRNN) ถูกนำไปใช้ในการสร้างแบบจำลองการคาดการณ์สำหรับ
ดัชนีทางกายภาพและทางเคมี . ความถูกต้องของทั้งสองวิธีได้รับการ
เปรียบเทียบ

ผลลัพธ์ (ไทย) 3:

เนื่องจากคุณค่าทางโภชนาการสูงและรสชาติอร่อย ความต้องการผู้บริโภค
เนื้อเพิ่มขึ้นอย่างมากในช่วงทศวรรษที่ผ่านมา ใน
สหรัฐอเมริกาเพียงอย่างเดียว อุตสาหกรรมเนื้อวัวมีมูลค่าค้าปลีกเท่ากับ $ 73 พันล้าน
ในปี 2009 ปีเดียวมีประมาณ 26.9 ล้านปอนด์เนื้อวัวถูก
บริโภคในที่ปี [ 1 ] อย่างไรก็ตาม เนื้อเป็นอย่างสูงเสี่ยง
เน่าเสียและการปนเปื้อน ความสดของเนื้อนี้
เพราะการเน่าเสียของจุลินทรีย์และปฏิกิริยาทางชีวเคมีที่เกิดขึ้นระหว่าง
กระเป๋า . ส่วนผสมหลัก เช่น โปรตีน ไขมัน และคาร์โบไฮเดรตจะถูกย่อยสลายโดยเอนไซม์
และแบคทีเรียผลิตกลิ่น :
โปรตีนจะถูกย่อยสลายเป็นแอมโมเนีย , ไฮโดรเจนซัลไฟด์ , เอทิล
mercaptan , ฯลฯ ไขมันจะถูกย่อยสลายเป็นสารประกอบอัลดีไฮด์ และ
กรดอัลดีไฮด์ ; คาร์โบไฮเดรตจะถูกย่อยสลายไป แอลกอฮอล์
อัลดีไฮด์ คีโตน กรดคาร์บอกซิลิก , และก๊าซ [ 2 ] สาร
เช่น อัลดีไฮด์ คีโตน และไตรเมทิลามีน , เอสเทอร์ , รวมทั้งอื่น ๆสารประกอบโมเลกุลต่ำ

รสชาติและความรู้สึกรับผิดชอบออกปฏิเสธสินค้าที่ผลิต ระหว่างการเก็บรักษา สารเหล่านี้
และสารประกอบไนโตรเจนพื้นฐานอื่น ๆร่วมกันทำ
ขึ้นพื้นฐานไนโตรเจนระเหยได้ทั้งหมด ( tvbn ) กลิ่นได้มากขึ้นและ
ที่รุนแรงมากขึ้นด้วย การลดความสด เนื้อ การเน่าเสียของ
เนื้ออาจก่อให้เกิดร้ายแรงสุขภาพอันตราย [ 3 ] .
จำนวนของเทคนิคที่ถูกใช้เพื่อประเมินความสด เนื้อ
ผ้า , การประเมินทางประสาทสัมผัส เคมีการทดลอง includingtvbn การประเมินผลและการประเมินประชากรจุลินทรีย์ 3
คีย์เทคนิค [ 4 ] ผู้ประเมินคุณลักษณะมักจะครอบคลุม
สีรสชาติและเนื้อรวมทั้งความหนืดและความยืดหยุ่น [ 5 ] วิธีนี้
ให้ข้อมูลคุณภาพทันที แต่ทุกข์
ข้อเสียบางอย่าง ตัวอย่างเช่น ลักษณะอัตวิสัยของ
-- การประเมิน ข้อผิดพลาดที่อาจเกิดขึ้นจากความล้าของผู้ทดสอบ และความเข้มข้นของกลิ่นและเกณฑ์ต่ำ

ค้างไม่อาจรับรู้ [ 6 ] การ tvbn การประเมินผลและ
ประชากรจุลินทรีย์วิธีประเมินวัตถุประสงค์และแม่นยํา แต่ทั้งสองวิธีนี้

ถูกทําลาย และใช้เวลานาน การพัฒนาของเทคโนโลยีอิเล็กทรอนิกส์และเซ็นเซอร์แสดง
สัญญาการพัฒนาอย่างรวดเร็วและแบบไม่เซ็นเซอร์เนื้อ
คุณภาพ / ความปลอดภัย [ 7 ] จมูกอิเล็กทรอนิกส์ ( จมูก ) , ยังเป็นที่รู้จักประดิษฐ์
กลิ่น , เป็นแบบจำลองของฟังก์ชันทางชีวภาพระบุบาง
เรียบง่ายหรือซับซ้อนกลิ่น [ 8,9 ] ระบบจมูกโดยทั่วไปประกอบด้วย
เลือกเคมีสัญญาณเซนเซอร์ , ระบบการประมวลผลและ
เป็นรูปแบบนี้ เซ็นเซอร์ในเซนเซอร์
จะไวต่อสารต่างๆ ตัวอย่างเช่นบางเซ็นเซอร์
สามารถแยกแยะแอมโมเนียและสามารถแยกแยะอัลดีไฮด์ . ดังนั้นแทนที่จะ
ตรวจสอบหนึ่งหรือสองส่วนประกอบของ สาร , จมูก
สารสกัดจากข้อมูลทั้งสำหรับประชาชน .
ตั้งแต่ทศวรรษที่ผ่านมานักวิจัยได้ศึกษาศักยภาพของการใช้
จมูกเป็นวิธีไม่ทำลายเพื่อตรวจสอบอาหาร
[ 10 – 14 ] Zhang et al . [ 15 ] รายงานการใช้นาโนซิงค์ออกไซด์ฟิล์มหนา เก้า
ก๊าซเซนเซอร์ใช้จมูกเพื่อวิเคราะห์ 17 ชนิดของน้ำส้มสายชูจีนพาณิชย์
และการวิเคราะห์องค์ประกอบหลัก ( PCA )
และการวิเคราะห์คลัสเตอร์ ( CA ) ผลการวิจัยพบว่า ลักษณะ
น้ำส้มสายชูจีนโดยจมูกมีความสัมพันธ์กับลักษณะของวัสดุ ปริมาณกรดทั้งหมดดิบ , วิธีการหมักและผลิตพื้นที่

หลังจากการแบ่งนับเวกเตอร์การเรียนรู้ ( lvq )
, โครงข่ายประสาทความถูกต้องในแง่ของทำนายทดสอบน้ำส้มสายชู
วัดได้ 72.1 % 76.5 77.9% ) , ร้อยละ , 82.4
% ตามประเภทของวัตถุดิบ ปริมาณกรดทั้งหมด หมักวิธี
และพื้นที่การผลิตตามลำดับ ; ปาง et al . [ 16 ] ศึกษา
ความจุใช้จมูกแบ่งข้าวสาลีจำนวนห้ากระเป๋า
วัย PCA และการวิเคราะห์โดยตรง ( lda ) ผลการวิจัยพบว่า ข้าวสาลี
ทั้ง 5 กลุ่มสามารถจำแนก .
โครงข่ายประสาทเทียม ( ANN ) ก็ยังแสดง และ 85% ของ
การทดสอบชุดจัดอย่างถูกต้อง โดยหลังการเครือข่ายประสาท
( แบบจำลอง ) ; ยู et al . [ 17 ] รายงานการใช้จมูกเพื่อแบ่งเกรดตาม
Longjing ชาใบชาแห้ง เครื่องดื่มชาและชา
ยังคงสารระเหย . PCA มาใช้ลดขนาดข้อมูล
และปรับคุณสมบัติของเวกเตอร์ และแบบสอบถาม lda แบบจำลอง
สำหรับการจำแนกและพบว่าทั้งสองของ lda
และวิธีการปฏิบัติที่ดีสำหรับแบบจำลองความชา
เกรดตามชาเครื่องดื่ม แต่ส่วนใหญ่ของการวิจัยก่อนหน้า
เน้นเพียงแค่เลือกปฏิบัติโดยไม่มีการสร้างหลาย
ทำนายแบบ ในหลายกรณี แค่จมูกใช้
ไม่มีการทดลองอื่น ๆรวมกัน ดังนั้นถ้าเราสามารถทำนาย
กระเป๋าเวลา ( ST ) ของอาหาร เรายังไม่ทราบว่าของจุลินทรีย์
ประชากรหรือดัชนีอื่น ๆแน่นอนระบุของตุน
. .
ในการวิจัย 4 การทดลอง : จมูก
ตรวจสอบคุณภาพทางประสาทสัมผัส พบ tvbn และการประเมินประชากร
จุลินทรีย์ สำหรับจมูกตรวจจับ ก่อนการทดลอง
สังเกตถ้าเสริมและปลดปล่อยหน่วย ( edu )
มีผลต่อประสิทธิภาพของจมูก .
วัตถุประสงค์หลักของการวิจัยนี้ เพื่อประเมินศักยภาพของการใช้จมูก

แบ่งแถบเอว ( โคเนื้อ ) lumborum ) เจ็ดเซนต์ (
0 , 3 , 5 , 7 , 10 , 12 และ 14 วัน รวมทั้งคาดการณ์ St , tvbn เนื้อหา
ประชากรจุลินทรีย์และประสาทสัมผัสของคะแนนตัวอย่าง . mahalanobis
ระยะทาง ( MD ) , PCA lda แบบเชิงเส้นและการวิเคราะห์จำแนกประเภท ( =
lda ) ถูกใช้เพื่อแยกเนื้อตัวอย่าง
แตกต่างกับเซนต์ และแบบจำลองโครงข่ายประสาทเทียมและการถดถอยแบบ
( grnn ) มาใช้เพื่อสร้างโมเดลการทำนาย
ทางกายภาพเคมีและดัชนี ความถูกต้องของทั้งสองวิธีคือ
เปรียบเทียบ