Original Title: Determination of water activity, total soluble solids and moisture, sucrose, glucose and fructose contents in osmotically dehydrated papaya using near-infrared spectroscopy
Source: doi.org/10.1016/j.anres.2018.11.023
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការកំណត់សកម្មភាពទឹក អង្គធាតុរឹងរលាយសរុប និងសំណើម ព្រមទាំងបរិមាណស៊ុយក្រូស គ្លុយកូស និងហ្វ្រូកតូសនៅក្នុងល្ហុងសម្ងួតដោយអូស្មូស ដោយប្រើប្រាស់វិសាលគមអ៊ិនហ្វ្រារ៉េដជិត

ចំណងជើងដើម៖ Determination of water activity, total soluble solids and moisture, sucrose, glucose and fructose contents in osmotically dehydrated papaya using near-infrared spectroscopy

អ្នកនិពន្ធ៖ Bumrungrat Rongtong, Thongchai Suwonsichon, Pitiporn Ritthiruangdej, Sumaporn Kasemsumran

ឆ្នាំបោះពុម្ព៖ 2018, Agriculture and Natural Resources

វិស័យសិក្សា៖ Food Science and Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប្រើប្រាស់វិធីសាស្ត្រវិភាគបែបប្រពៃណីដែលចំណាយពេលយូរ និងបំផ្លាញគំរូ ក្នុងការត្រួតពិនិត្យគុណភាពនៃផលិតផលល្ហុង (Carica papaya) សម្ងួតដោយអូស្មូស។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់បច្ចេកវិទ្យាវិសាលគមអ៊ិនហ្វ្រារ៉េដជិត (NIRS) រួមបញ្ចូលជាមួយក្បួនគណនាគីមី ដើម្បីអភិវឌ្ឍម៉ូដែលព្យាករណ៍គុណភាពដែលប្រសើរបំផុត។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
PLSR (Partial Least Squares Regression)
តំរែតំរង់ការ៉េតិចតួចបំផុតដោយផ្នែកប្រើចន្លោះរលកពេញលេញ		 ជាវិធីសាស្ត្រគណនាមូលដ្ឋានដែលងាយស្រួលប្រើ និងត្រូវបានទទួលស្គាល់យ៉ាងទូលំទូលាយក្នុងការវិភាគទិន្នន័យវិសាលគម NIRS។ ប្រើប្រាស់ចន្លោះរលកពេញលេញ ដែលអាចមានផ្ទុកទិន្នន័យមិនចាំបាច់ច្រើន (redundant variables) ធ្វើឱ្យម៉ូដែលងាយនឹងមានភាពមិនច្បាស់លាស់ (over-fitting) និងមានកម្រិតកំហុសខ្ពស់ជាងគេ។ មានកម្រិតកំហុសព្យាករណ៍ (RMSEP) ខ្ពស់ជាងគេធៀបនឹងវិធីសាស្ត្រដទៃ (ឧ. RMSEP សម្រាប់សំណើមគឺ ១,២៤%) និងមានមេគុណសហសម្ព័ន្ធ R ទាបជាងគេ។
MWPLSR (Moving Window Partial Least Squares Regression)
តំរែតំរង់ការ៉េតិចតួចបំផុតដោយផ្នែកប្រើបង្អួចផ្លាស់ទី		 អាចស្វែងរកតំបន់វិសាលគមរលកសញ្ញាដែលមានព័ត៌មានសំខាន់ៗបានល្អប្រសើរ ដែលជួយកាត់បន្ថយទិន្នន័យរំខាន ឬមិនចាំបាច់ចេញពីម៉ូដែល។ ជ្រើសរើសបានតែចន្លោះរលកដាច់ដោយឡែក មិនទាន់អាចធ្វើការផ្គូផ្គងតំបន់វិសាលគមល្អបំផុតរួមគ្នាដើម្បីបង្កើនប្រសិទ្ធភាពដល់កម្រិតអតិបរមានៅឡើយ។ ផ្តល់លទ្ធផលត្រឹមត្រូវជាង PLSR ធម្មតា ដោយបន្ថយកម្រិតកំហុស (RMSEP សម្រាប់សំណើមធ្លាក់មកត្រឹម ០,៧៩%) ប៉ុន្តែប្រសិទ្ធភាពនៅចាញ់ SCMWPLSR។
SCMWPLSR (Searching Combination Moving Window Partial Least Squares Regression)
តំរែតំរង់ការ៉េតិចតួចបំផុតដោយផ្នែកប្រើបង្អួចផ្លាស់ទីរួមបញ្ចូលគ្នា		 អាចស្វែងរក និងផ្គូផ្គងចន្លោះរលកដែលផ្តល់ព័ត៌មានល្អបំផុតរួមគ្នា ដែលជួយឱ្យម៉ូដែលកាន់តែមានភាពជាក់លាក់ខ្ពស់ កាត់បន្ថយកំហុស និងជៀសវាងបញ្ហា over-fitting បានយ៉ាងមានប្រសិទ្ធភាព។ ទាមទារការគណនាស្មុគស្មាញ និងត្រូវការកម្មវិធីកុំព្យូទ័រជំនួយ (ដូចជាការសរសេរកូដ) សម្រាប់ការវិភាគស៊ីជម្រៅកម្រិតខ្ពស់។ ផ្តល់លទ្ធផលល្អដាច់គេ ដោយមានមេគុណសហសម្ព័ន្ធ (R) ខ្ពស់ចន្លោះពី ០,៩៨១ ដល់ ០,៩៩៤ និងកម្រិតកំហុស RMSEP ទាបបំផុត (សំណើមត្រឹមតែ ០,៦៩% ប៉ុណ្ណោះ)។

ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតពីតម្លៃ ប៉ុន្តែការស្រាវជ្រាវនេះទាមទារការវិនិយោគដំបូងខ្ពស់លើឧបករណ៍វាស់ស្ទង់ ប៉ុន្តែវានឹងចំណេញពេលវេលា និងកាត់បន្ថយការប្រើប្រាស់សារធាតុគីមីក្នុងរយៈពេលវែង។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសថៃ ដោយប្រើប្រាស់ល្ហុង (Carica papaya ពូជ Khaek dam) និងផលិតផលល្ហុងពាណិជ្ជកម្មក្នុងស្រុក។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីលក្ខខណ្ឌអាកាសធាតុ ពូជផ្លែឈើ និងដំណើរការកែច្នៃនៅក្នុងតំបន់អាស៊ីអាគ្នេយ៍ ដែលមានភាពស្រដៀងគ្នាខ្លាំងទៅនឹងកម្ពុជា។ នេះជាចំណុចវិជ្ជមាន ព្រោះកម្ពុជាអាចយកគំរូម៉ូដែលនេះមកអនុវត្តជាមួយផលិតផលកសិកម្មក្នុងស្រុកបានដោយមានទំនុកចិត្តខ្ពស់។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រ NIRS នេះមានសក្តានុពលខ្ពស់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការជំរុញការត្រួតពិនិត្យគុណភាពផលិតផលកសិកម្មកែច្នៃឱ្យស្របតាមស្តង់ដារអន្តរជាតិ។

ការផ្លាស់ប្តូរពីការវិភាគបែបប្រពៃណីមកប្រើឧបករណ៍បច្ចេកវិទ្យា NIRS នឹងជួយកាត់បន្ថយចំណាយប្រតិបត្តិការរយៈពេលវែង និងបង្កើនទំនុកចិត្តលើគុណភាពផលិតផលអាហារកម្ពុជាលើទីផ្សារនាំចេញអន្តរជាតិ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃ NIRS និង Chemometrics: ចាប់ផ្តើមដោយការស្វែងយល់ពីគោលការណ៍បច្ចេកទេសនៃបច្ចេកវិទ្យាវិសាលគមអ៊ិនហ្វ្រារ៉េដជិត និងវិធីសាស្ត្រគណនាទិន្នន័យដោយប្រើ Chemometrics តាមរយៈឯកសារណែនាំពីកម្មវិធី The Unscrambler ឬវគ្គសិក្សាតាមប្រព័ន្ធអនឡាញ។
  2. ការប្រមូលទិន្នន័យគោល និងការរៀបចំគំរូ (Data Collection): សហការជាមួយរោងចក្រក្នុងស្រុកដើម្បីប្រមូលគំរូផ្លែឈើសម្ងួត។ ធ្វើការវាស់ស្ទង់គុណភាព (សំណើម, សកម្មភាពទឹក, កម្រិតស្ករ) ដោយប្រើវិធីសាស្ត្រស្តង់ដារ (ប្រើ HPLC និង Vacuum Oven) ដើម្បីទុកជាទិន្នន័យគោលយោង។
  3. ស្កេនវិសាលគម និងលាងសម្អាតទិន្នន័យ (Data Pre-treatment): ប្រើប្រាស់ឧបករណ៍ NIR Spectrometer ស្កេនគំរូទាំងអស់ក្នុងចន្លោះរលក ៨០០-២៤០០ ណាណូម៉ែត្រ។ បន្ទាប់មក អនុវត្តការកែសម្រួលទិន្នន័យដោយប្រើបច្ចេកទេស Second Derivative ដើម្បីកាត់បន្ថយសម្លេងរំខាន (Noise) និងជម្រះពន្លឺផ្លាតដែលមិនចង់បានពី спектр។
  4. អភិវឌ្ឍ និងប្រៀបធៀបម៉ូដែលព្យាករណ៍ (Model Development): ប្រើប្រាស់កម្មវិធី MATLAB ឬ Python (Scikit-learn) ដើម្បីសរសេរកូដបង្កើតម៉ូដែល PLSR ធម្មតា រួចបន្តអនុវត្តក្បួនដោះស្រាយកម្រិតខ្ពស់ SCMWPLSR ដើម្បីស្វែងរកចន្លោះរលកដែលផ្តល់លទ្ធផលត្រឹមត្រូវបំផុត (Lowest RMSEP)។
  5. ផ្ទៀងផ្ទាត់ និងដាក់ឱ្យប្រើប្រាស់ជាក់ស្តែងពិត: វាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលចុងក្រោយដោយប្រើ Validation Set។ នៅពេលដែលម៉ូដែលទទួលបានតម្លៃ R > 0.95 ស្នើសុំការសាកល្បងបំពាក់ឧបករណ៍ និងប្រព័ន្ធកុំព្យូទ័រនេះនៅតាមរោងចក្រដៃគូ ជាឧបករណ៍វាស់គុណភាពប្រចាំថ្ងៃ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Near-infrared spectroscopy (NIRS) (វិសាលគមអ៊ិនហ្វ្រារ៉េដជិត) ជាបច្ចេកទេសវិភាគដែលប្រើប្រាស់ពន្លឺក្នុងតំបន់អ៊ិនហ្វ្រារ៉េដជិត ដើម្បីវាស់ស្ទង់ការស្រូបយកពន្លឺរបស់ម៉ូលេគុល ដែលអនុញ្ញាតឱ្យយើងដឹងពីសមាសធាតុគីមីរបស់វត្ថុណាមួយ (ដូចជាជាតិស្ករ ឬសំណើម) ដោយមិនចាំបាច់បំផ្លាញវាចោល។ ប្រៀបដូចជាការប្រើម៉ាស៊ីនថតកាំរស្មីអ៊ិច (X-ray) ដើម្បីមើលគ្រឿងក្នុងរបស់ម្ហូបអាហារ និងដឹងពីជាតិស្ករដោយមិនបាច់ហែកវាចេញ ឬភ្លក់វា។
Osmotic dehydration (ការសម្ងួតដោយអូស្មូស) ជាដំណើរការកែច្នៃអាហារ ដោយត្រាំផ្លែឈើក្នុងសូលុយស្យុងដែលមានកំហាប់ខ្ពស់ (ដូចជាទឹកស៊ីរ៉ូស្ករ) ដើម្បីឱ្យកម្លាំងអូស្មូសទាញយកជាតិទឹកចេញពីផ្លែឈើមកក្រៅ ខណៈជាតិស្ករជ្រាបចូលទៅក្នុងជំនួសវិញ។ ដូចជាការប្រឡាក់អំបិល ឬត្រាំស្ករលើផ្លែឈើ ដែលធ្វើឱ្យទឹកចេញពីផ្លែឈើ ហើយផ្លែឈើនោះប្រែជាស្វិតតែមានរសជាតិផ្អែម។
Partial least squares regression - PLSR (តំរែតំរង់ការ៉េតិចតួចបំផុតដោយផ្នែក) ជាវិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់វិភាគ និងបង្កើតម៉ូដែលគណិតវិទ្យា ដើម្បីទស្សន៍ទាយទំនាក់ទំនងរវាងទិន្នន័យពីរក្រុមផ្សេងគ្នា (ឧទាហរណ៍៖ រវាងទិន្នន័យវិសាលគមពន្លឺ និងកម្រិតជាតិស្ករពិតប្រាកដ)។ ដូចជាការបង្រៀនកុំព្យូទ័រឱ្យចេះទាយទម្ងន់ផ្លែឈើ ដោយគ្រាន់តែមើលទំហំ និងពណ៌របស់វា ដោយផ្អែកលើបទពិសោធន៍ចាស់ៗដែលវាធ្លាប់រៀនសូត្រ។
Searching combination moving window partial least squares regression - SCMWPLSR (តំរែតំរង់ការ៉េតិចតួចបំផុតដោយផ្នែកប្រើបង្អួចផ្លាស់ទីរួមបញ្ចូលគ្នា) ជាក្បួនគណនាគីមី (Chemometric algorithm) កម្រិតខ្ពស់ដែលធ្វើការរុករក និងជ្រើសរើសយកតែចន្លោះរលកពន្លឺណាដែលផ្តល់ព័ត៌មានល្អបំផុតមកផ្គូផ្គងគ្នា ដើម្បីជួយឱ្យម៉ូដែលទស្សន៍ទាយគុណភាពកាន់តែមានភាពជាក់លាក់ខ្ពស់ និងកាត់បន្ថយកំហុសរំខានចេញពីម៉ូដែល។ ដូចជាការប្រើប្រាស់ឧបករណ៍ស្វែងរកមីនដែលរើសមុខសញ្ញាបានសុក្រឹត ដោយវាលោតញាប់តែនៅតំបន់មានរ៉ែ ឬគ្រាប់មីនប៉ុណ្ណោះ ជំនួសឱ្យការជីកស្វែងរកពាសវាលពាសកាល។
Water activity (សកម្មភាពទឹក) ជារង្វាស់នៃបរិមាណទឹកសេរី (មិនជាប់ចំណងគីមីជាមួយសមាសធាតុផ្សេង) នៅក្នុងចំណីអាហារ ដែលមេរោគ បាក់តេរី ឬផ្សិតអាចប្រើប្រាស់ដើម្បីលូតលាស់បាន។ កម្រិតនេះមានសារៈសំខាន់ណាស់ក្នុងការកំណត់អាយុកាលរក្សាទុករបស់អាហារ។ ប្រៀបដូចជាការវាស់កម្រិតទឹកដក់សល់នៅក្រៅដែលអាចឱ្យមូសពងបាន (ទឹកសេរី) មិនមែនវាស់បរិមាណទឹកសរុបទាំងអស់ដែលបឺតស្រូបនៅក្នុងដីនោះទេ។
Root mean square error of prediction - RMSEP (កំហុសព្យាករណ៍ជាមធ្យមឫសការ៉េ) ជាសូចនាករសម្រាប់វាស់ស្ទង់ភាពខុសគ្នារវាងតម្លៃដែលបានព្យាករណ៍ដោយម៉ូដែល និងតម្លៃពិតប្រាកដដែលវាស់ដោយឧបករណ៍។ តម្លៃ RMSEP កាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែមានភាពត្រឹមត្រូវខ្ពស់។ ដូចជារង្វាស់កំណត់ថាអ្នកបាញ់ធ្នូ បាញ់ខុសពីចំណុចកណ្តាលស៊ីបជាមធ្យមប៉ុន្មានសង់ទីម៉ែត្រ។
Second derivative method (វិធីសាស្ត្រដេរីវេទី២) ជាបច្ចេកទេសកែសម្រួលទិន្នន័យ (Data pre-treatment) មុនពេលវិភាគ ដែលប្រើដើម្បីកាត់បន្ថយការរំខាន (Noise) ទាញកម្រិតបន្ទាត់គោលវិសាលគមឱ្យស្មើគ្នា និងបំបែកកំពូលរលកដែលត្រួតស៊ីគ្នាឱ្យដាច់ពីគ្នា ដើម្បីងាយស្រួលអានទិន្នន័យ។ ដូចជាកម្មវិធីកែរូបថតដែលជួយកែរូបព្រិល និងរូបងងឹត ឱ្យភ្លឺច្បាស់ និងលេចចេញជាទម្រង់ពិតប្រាកដវិញ ដើម្បីងាយស្រួលមើលចំណុចតូចៗ។
Chemometrics (គណនាគីមី) មុខវិជ្ជាវិទ្យាសាស្ត្រដែលជាការរួមបញ្ចូលគ្នារវាងគីមីវិទ្យា គណិតវិទ្យា និងស្ថិតិ ដើម្បីទាញយកព័ត៌មានមានប្រយោជន៍ និងស្វែងយល់ពីទិន្នន័យគីមីស្មុគស្មាញ ជាពិសេសទិន្នន័យដែលទទួលបានពីឧបករណ៍វាស់ស្ទង់ទំនើបៗ។ ដូចជាអ្នកបកប្រែភាសាដែលជួយបំប្លែងកូដស្មុគស្មាញរាប់ពាន់បន្ទាត់របស់ម៉ាស៊ីន ឱ្យទៅជារបាយការណ៍ដែលមនុស្សអាចអាន និងយល់បាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖