Journals / Akademik Gıda / 2019 / Cilt: 17 - Sayı: 3

Supervised Pattern Recognition and its Applications in Food Analyses

Denetimli Örüntü Tanıma ve Gıda Analizlerinde Uygulamaları

Pages
429–438
Publication Date
2022-10-11
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In this review, supervised pattern recognition is defined, its application techniques are summarized, and information is provided by exemplifying studies on pattern recognition techniques used in food analysis.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Supervised pattern recognition is a technique for classification that the prior knowledge is used regarding member of sample category.
📊
Key Findings & Data:Classification model is improved by using samples separated into category as training set.
💡
Conclusion & Impact:In this review, supervised pattern recognition is defined, its application techniques are summarized, and information is provided by exemplifying studies on pattern recognition techniques used in food analysis.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

Supervised pattern recognition is a technique for classification that the prior knowledge is used regarding member of sample category. Classification model is improved by using samples separated into category as training set. Supervised pattern recognition is getting more important for chemistry, biology, pharmacology and food science. There are many supervised pattern recognition methods. The main part is to select the most appropriate method. There are implementations to different inputs for various purposes such as food quality assessment and data interpretation. Wine, oil, honey, dairy products, meat, fruits, beverages, cereals and fish could be given as examples analyzed by supervised pattern recognition techniques. Also by using this techniques, texture and aroma analyses, food verification, food quality assessment, multiple element analysis, classification based on geographical and botanical origins can be performed. In this review, supervised pattern recognition is defined, its application techniques are summarized, and information is provided by exemplifying studies on pattern recognition techniques used in food analysis.

Özet

Denetimli örüntü tanıma, sınıflandırma için örnek kategorisi üyeliği hakkında bir ön bilginin kullanıldığı teknikleri ifadeetmektedir. Sınıflandırma modeli, kategorileri olan örneklerin bir eğitim seti üzerinde geliştirilmektedir. Kimya, biyoloji,ilaç ve gıda bilimi içinde denetimli örüntü tanıma uygulaması giderek daha önemli hale gelmektedir. Denetimli örüntütanıma yöntemleri çok çeşitlidir ve asıl önemli nokta en uygun yöntemi seçmektir. Gıda analizlerinde gıda kalitedeğerlendirmesi, veri yorumlama gibi çeşitli amaçlarla farklı verilere uygulamaları bulunmaktadır. Denetimli örüntütanıma teknikleriyle incelenen gıdalara örnek olarak şarap, yağ, bal, süt ürünleri, et, meyveler, içecekler, tahıllar vebalık verilebilir. Bu teknikler kullanılarak gıdalarda doku analizi, aroma analizi, gıda doğrulaması, gıda kalitesinindeğerlendirilmesi, çoklu element analizi, coğrafi ve botanik kökene göre sınıflandırma gerçekleştirilebilmektedir. Buderlemede, denetimli örüntü tanıma tanımlanmış, uygulama teknikleri özetlenmiş ve gıda analizlerinde kullanılanörüntü tanıma teknikleri konusunda yapılan çalışmalar ile örneklendirilerek bilgi verilmiştir.

🔖

Cite This Article

ELMACI, Y., DEMİRCAN, B. (2022). Supervised Pattern Recognition and its Applications in Food Analyses. Akademik Gıda, Cilt: 17 - Sayı: 3, 429–438. https://ajindex.com/articles/432525

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Lavine, B.K. (2000). Encyclopedia of Analytical Chemistry. John Wiley & Sons Ltd., Chichester, New York
  2. Massart, D.L., Vandeginste, B.G.M., Buydens, L.M.C., De Jong, S., Lewi, P.J., Smeyers-Verbeke, J. (1997). Handbook of Chemometrics and Qualimetrics: Part A, Elsevier, Amsterdam, 207p
  3. Brereton, R.G. (2003). Chemometrics: Data Analysis for the Laboratory and Chemical Plant. Wiley, Chichester, 119p
  4. Mazzatorta, P., Benfenati, E., Lorenzini, P., Vighi, M. (2004). QSAR in ecotoxicity: an overview of modern classification techniques. Journal of Chemical Information and Computer Sciences, 44(1), 105-112
  5. Todeschini, R., Ballabio, D., Consonni, V., Mauri, A. Pavan, M. (2007). CAIMAN (Classification And Influence Matrix Analysis): A new approach to the classification based on leverage-scaled functions. Chemometrics and Intelligent Laboratory Systems, 87(1), 3-17
  6. Berrueta, L.A., Alonso-Salces, R.M., Héberger, K. (2007). Supervised pattern recognition in food analysis. Journal of Chromatography A, 1158(1-2), 196-214
  7. Koyuncu, İ. (2016). İleri Örüntü Tanıma Teknikleri ve Uygulamaları. http://docplayer.biz.tr/3182643- Ileri-oruntu-tanima-teknikleri-ve-uygulamalariicerik.html
  8. Anonim (2014). Örüntü Tanıma. http://ehm.kocaeli.edu.tr/dersnotlari_data/kgullu/Or untu%20Tanima/Sunu1_2.pdf
  9. Samtaş, G., Gülesin, M. (2011). Sayısal Görüntü İşleme ve Farklı Alanlardaki Uygulamaları. Electronic Journal of Vocational Colleges, 2(1), 85- 97
  10. Solak, S., Altınışık, S. (2018). Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(1), 56-65
  11. Viola, P., Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on (Vol. 1). IEEE
  12. Hussin, R., Juhari, M.R., Kang, N.W., Ismail, R.C., Kamarudin, A. (2012). Digital image processing techniques for object detection from complex background image. Procedia Engineering, 41, 340- 344
  13. Sonka, M., Hlavac, V., Boyle, R. (2014). Image Processing, Analysis, and Machine Vision. Cengage Learning, Stamford, USA, 37p
  14. Wu, D., Sun, D.W. (2013). Colour measurements by computer vision for food quality control–A review. Trends in Food Science & Technology, 29(1), 5-20
  15. Hof, A., Wolf, N. (2014). Estimating potential outdoor water consumptio