angol-magyar
kétnyelvű tudományos folyóirat
HUN / ENG

Analitika műszeres


Közeli-infravörös spektroszkópia: gyors és hatékony eszköz a fruktóztartalom mérésére

Cikk letöltése PDF formátumban

Közeli-infravörös spektroszkópia: gyors és hatékony eszköz a fruktóztartalom mérésére

DOI: https://doi.org/10.52091/EVIK-2021/1-1-HUN

Érkezett: 2020. október – Elfogadva: 2021. január

Szerzők

1 Élettani és Állategészségügyi Tanszék, Élettani és Takarmányozási Intézet, Magyar Agrár- és Élettudományi Egyetem,
2 Élelmiszeripari Méréstechnika és Automatizálás Tanszék, Élelmiszertudományi és Technológiai Intézet, Magyar Agrárés Élettudományi Egyetem
3 Adexgo Kft., Balatonfüred
* Levelező szerző: bazar@agrilab.hu

Kulcsszavak

Fruktóz (gyümölcscukor), cukrok, °Brix, NIR-spektroszkópia (közeli-infravörös), fruktóz kedvezőtlen élettani hatása, anyagcsere-rendellenessége, szív-és érrendszeri betegségek, spektrum előkezelése, vegyértékrezgés, felharmonikus rezgés, statisztikai spektrum-elemzés

1. Összefoglalás

A legújabb kutatások alapján a magas fruktózbevitel fokozott egészségügyi kockázatokkal jár, ezért fontos felhívni a figyelmet az élelmiszerekben és italokban széles körben felhasznált cukor mennyiségére. A különböző cukrok gyors és pontos kimutatása és mennyiségi meghatározása a hagyományos laboratóriumi technológiák alkalmazásával nem egyszerű feladat. Számos korábbi kutatás eredménye utal arra, hogy a közeli-infravörös (NIR – Near Infra Red) spektroszkópia hatékonyan alkalmazható a cukrok minőségi és mennyiségi analízise során. Jelen vizsgálatunk rávilágít ennek a gyors korrelatív analitikai technikának az alkalmazhatóságára a fruktózkoncentráció cukoroldatokban történő mérése terén, amennyiben a bemutatott NIR kalibrációk megbízhatók a °Brix mint relatív paraméter mérésekor (R2 = 0,84), valamint az egyes cukrok közvetlen meghatározásakor (R2 > 0,90), még vegyes összetételű oldatokban is.

2. Bevezetés

Az édesítőszerek a feldolgozóipar legszélesebb körben alkalmazott adalékanyagaivá váltak, különösen italok és egyéb termékek, például desszertek vagy joghurtok előállítása során. Az egyik legrégebbi édesítőszer, amit a történelemben dokumentáltak, a méz [1], amely a néhány évtizede szintén hagyományos édesítőszerként fogyasztott egyéb édesítőkhöz hasonlóan, mint a juharszirup, szentjánoskenyér és agave, nagyrészt glükózt, fruktózt, szacharózt, ásványi anyagokat és egyéb vegyületeket tartalmaz [1]. A glükóz szinte mindig jelen van az élelmiszerekben, és alapvető szerepet tölt be az emberi anyagcsere szabályozásában. A szervezetbe juthat szabad cukor formában (glükóz por) vagy polimerekben kötötten mint keményítő, dextrin és maltodextrinek. A glükóz diszacharidokban is előfordul, a leggyakrabban haszált cukor, a szacharóz vagy répacukor például glükózból és fruktózból áll [2].

A fogyasztók egészségére gyakorolt hatásuk okán az élelmiszeriparban használt édesítőszerek formájával és mennyiségével, valamint a feldolgozott élelmiszerek °Brix-értékével kapcsolatban már egy ideje aggályok merültek fel. Ennek oka elsősorban az anyagcsere-rendellenességek (pl. 2-es típusú cukorbetegség) kialakulásának kockázata, amelyet a magas cukor-, különösen a fruktóz bevitelével hoznak összefüggésbe. A fogyasztók egyre inkább tudatában vannak annak, hogy mit fogyasztanak, és e tudatosság első lépése, hogy a feldolgozott élelmiszerek kalóriatartalmának csökkentését részesítik előnyben, csökkentve a cukorbevitelt is [3].

Megállapították, hogy a nagy glükóz bevitelhez képest a nagy fruktóz bevitel anyagcserezavar [4], elhízás, cukorbetegség, valamint a vér triglicerid koncentrációjának és az inzulin rezisztencia növekedésének magasabb kockázatával jár [5, 6, 7]. A szív- és érrendszeri betegségek, sőt a test szöveteiben előforduló rosszindulatú daganatok magas kockázata összefüggésben lehet a túlzott fruktóz bevitellel [8], valamint a dyslipidaemiával (a vér kóros lipidtartalmával) és a vesebetegségekkel [9].

Az évek során a közeli-infravörös (NIR) spektroszkópia alkalmazása az édesítőszerekben lévő cukrok elemzésére könnyebbnek, gyorsabbnak és költséghatékonyabbnak bizonyult [10], mint a nagyműszeres gyakorlatot igénylő és reagenseket igénylő módszerek, például a gázkromatográfia (GC), a nagyhatékonyságú folyadékkromatográfia (HPLC) és enzimatikus analízis [11, 12]. Mind közül a HPLC a leggyakrabban alkalmazott módszer, amelyet a szabad fruktóz-, glükóz-, szacharóz-, maltóz- és laktóztartalom meghatározására használnak [13].

A NIR spektrális régió 800 és 2500 nm (12500-4000 cm-1) közötti hullámhossztartományban található a felharmónikus és kombinációs molekularezgéseket reprezentáló abszorpciókkal, amelyek a –CH, –OH, –NH és – SH funkciós csoportoknak tulajdoníthatók [14]. Glükóz esetében az O–H vegyértékrezgés első felharmónikusa az 1195, 1385, 1520, 1590, 1730 nm abszorpciós sávoknak felel meg, míg a fruktóz és szacharóz O–H vegyértékrezgés első felharmónikusa 1433 nm-re, és a szacharóz, glükóz, fruktóz O–H kombinációs sávja 1928 nm-re tehető [14].

A mono- és diszacharidokat, mint a glükózt, a fruktózt, a szacharózt, a laktózt vizes oldatokban is vizsgálták [15]. Noha az összes érintett cukor azonos moláris koncentrációban volt feloldva, tényleges tömegük jelentősen különbözött a mono- és diszacharidok molekulatömegének különbsége miatt. A keverékekben lévő cukrok mennyiségi meghatározásakor a cukoroldatok moláris koncentrációja kevésbé pontos kalibrációs modelleket adott, a térfogatra vonatkoztatott tömegkoncentrációra illesztett kalibrációs modellekhez képest. Mivel a spektrális információ leginkább a kémiai kötések gerjesztés során bekövetkező fényelnyelését jelenti, ez az információ szorosabb arányban áll a vizes oldatban lévő kémiai kötések és atomok számával, mint a molekulák számával. Az egyes cukrok kalibrációs modelljeinek regressziós vektorai megadták azokat a spektrális régiókat is, amelyek a cukrok kvantitatív elemzésében a legnagyobb jelentőséggel bírnak. Az 1100- 1800 nm hullámhossztartományban a regressziós vektorok elemzése meghatározta a víz és az oldott cukrok O–H és C–H kötéseire jellemző spektrális régiókat. A keverékekben lévő cukrok koncentrációjára illesztett kalibrációk még alacsony szinteken (0,0018-0,5243 g/cm3) is pontos validációs eredményt mutattak, a determinációs együtthatók (R2CV) 0,841 és 0,961, a standard hiba (SECV – Standard Error of Cross-Validation) értékek 0,024 g/cm3 és 0,012 g/cm3 voltak glükóz és fruktóz esetében. Mindez megmutatta egy adott cukor NIR spektroszkópiára alapozott mennyiségi meghatározásának lehetőségét vegyes oldatokban [15].

Hasonló tanulmányokban [10, 16, 17] glükóz, fruktóz és szacharóz mennyiségét határozták meg különböző gyümölcslevekben NIR technika segítségével. A részleges legkisebb négyzetek regressziós (PLSR) modellek pontosnak bizonyultak glükóz, fruktóz és szacharóz esetében (R2 > 0,854; 0,963; 0,953). Egy másik kutatásban szintén megbízható PLSR (Partial Least Squares Regression) modellekről számoltak be a 900-2000 nm hullámhossztartományban [18], míg a 900-1650 nm-es tartomány jónak bizonyult bio cukor és hagyományos barnacukor megkülönböztetésére a részleges legkisebb négyzetek diszkriminanciaanalízis (PLS-DA – Partial Least-Squares Discriminant Analysis) modellek segítségével [19]. Egy másik kutatásban a NIR technika alkalmazásával a glükózkoncentrációt határozták meg glükóz, albumin és foszfát vizes keverékében, és pontos PLSR modellekről számoltak be [20]. Hasonlóképpen beszámoltak Morindae officinalis kivonatok glükóz-, fruktóz- és szacharóztartalmának NIR-rel történő becslésének lehetőségéről [21].

A magyar élelmiszeripart számos élelmiszerelőállításra szánt édesítőszer árasztja el. Három kiemelt édesítőszer a D-szacharóz, a K-syrup LDX és a K-sweet F55, utóbbi kettő általánosan használt izocukor. A K-syrup LDX édes, viszkózus, gyorsan kristályosodó szirup, amelyet gyakran használnak fermentációs alapanyagként az élelmiszer- és gyógyszeriparban. Nagy mennyiségben tartalmaz glükózt, dextrózt (93%), kisebb mennyiségben fruktózt (0,5%) és viszkózus folyadékot [22]. A K-sweet azonban magas kalóriatartalmú, glükózból és fruktózból álló izocukor, amiben a fruktóztartalom nagyobb (55%), mint a glükóztartalom (45%) [23]. A harmadik édesítőszer a D-szacharóz, vagy finomított cukor, amit egyre inkább helyettesítenek K-syrup LDX-szel és K-sweet F55-tel.

Jelen kutatásban a NIR spektroszkópia alkalmazhatóságának feltárását tűztük ki célul a széles körben használt D-szacharóz, K-syrup LDX és K-sweet F55 édesítőszerek vizes oldatainak glükóz-, fruktóz-, szacharóztartalmának és °Brix értékének meghatározása terén.

3. Anyagok és módszerek

3.1. Mintaelőkészítés

A vizsgálatok során háromféle cukrot használtunk: D-szacharóz (Carl Roth GmbH, Karlsruhe, Németország): 100% szacharóz; K-Syrup LDX (KALL Ingredients Kft., Tiszapüspöki, Magyarország): 93% glükóz + 0,5% fruktóz + 6,5% víz; K-Sweet F55 (KALL Ingredients Kft., Tiszapüspöki, Magyarország): 45% glükóz + 55% fruktóz. A három cukor vizes oldatait tíz különböző koncentrációban készítettük el. Összesen 30 db, egyenként 100 ml térfogatú mintát készítettünk.

3.2. Laboratóriumi mérés

A °Brix értékeket Hanna HI96801 digitális refraktométerrel mértük és rögzítettük referenciaként az ezt követő NIRS kalibrációhoz. Az egyes cukoroldatok glükóz-, fruktóz- és szacharózkoncentrációját az oldatokhoz adott édesítőszer tömege és az édesítőszerekben lévő cukrok százalékos aránya alapján számítottuk ki. A következő összefüggéseket alkalmaztuk a glükóz- és fruktóztartalom kiszámításához a K-syrup LDX és K-sweet F55 oldatokon:

  1. Glükóz K-syrup LDX oldatban = 93/100* K-syrup mennyisége oldatban (g/100 g)
  2. Fruktóz K-syrup LDX oldatban = 0,5/100* K-syrup mennyisége oldatban (g/100 g)
  3. Glükóz K-Sweet F55 oldatban = 45/100* K-sweet F55 mennyisége oldatban (g/100 g)
  4. Fruktóz K-sweet F55 oldatban = 55/100* K-sweet F55 mennyisége oldatban (g/100 g)

A 30 minta mért °Brix értékét, valamint az összes cukor-, a glükóz-, a fruktóz-, és a szacharózkoncentrációkat az 1. táblázat foglalja össze.

1. táblázat. A vizsgálathoz használt vizes cukoroldatok összes cukor-, glükóz-, fruktóz- és szacharózkoncentrációja és °Brix értéke

D-szacharóz: 100% szacharóz; K-syrup LDX: 93% glükóz+0.5% fruktóz; K-sweet F55: 45% glükóz+ 55% fruktóz; SD: szórás; Max: maximum érték; Min: minimum érték

3.3. NIR spektroszkópiás mérés

A minták közeli-infravörös fényelnyelését szobahőmérsékleten (25 °C) FOSS NIRSystems 6500 spektrométerrel (FOSS NIRSystems, Inc, Laurel, MD, USA) mértük, amit a WinISI v1.5 szoftverrel (InfraSoft International, Port Matilda, PS, USA) működtettünk. A szkennelést transzmissziós módban végeztük, miután 1 ml térfogatú cukoroldatot 1 mm úthosszt biztosító kvarc küvettába töltöttük. Az egyes mintákból két mérési kört végeztük véletlen sorrendben, és mindig a soron következő mintát használtuk a küvetta háromszoros kimosására a szkennelések között. Összesen hatvan spektumot rögzítettünk, majd a két kör spektrumait átlagoltuk, így harminc spektrumot kaptunk.

3.4. Spektrum előkezelés és többváltozós statisztikai elemzés

A NIR adatok elemzéséhez az Unscrambler v9.7 szoftvert (CAMO Software AS, Oslo, Norvégia) használtuk, míg a °Brix, a glükóz-, a fruktóz- és a szacharózkoncentrációra mért és kalibrált változók leíró statisztikájának kiszámításához a MS Excel 2013 programot használtuk.

A spektrumok szórásának korrekciójához, valamint pontos és robusztus kalibrációs modellek eléréséhez több spektrum előkezelési eljárást is alkalmaztunk, mint a standard normális változó transzformáció (Standard Normal Variate – SNV), a többszörös szóródási korrekció (Multicative Scatter Correction – MSC) és a résszegmens második derivált (másodrendű derivált, 5 adatpontos rés, 5 adatpontos szegmens).

Mind a különböző édesítőszerekből készült oldatok csoportosítását, mind a kérdéses kvantitatív paraméterek kalibrációját többváltozós adatelemzéssel végeztük. Főkomponens elemzést (Principal Component Analysis – PCA) alkalmaztunk a spektrális adatok többdimenziós mintázatainak vizsgálatára, és a cukoroldatok három csoportja közötti különbségek leírására [24]. A NIR tartományban (1100-1850 nm) felvett a spektrális adatokra és a referenciaként használt laboratóriumi eredményekre a parciális legkisebb négyzetek regressziójával (PLSR) kalibrációs modelleket készítettünk [24]. A PLSR modellezés során a látens változók optimális számát teljes keresztvalidációval (“leave-one-out”) határoztuk meg, ekkor a harminc lépéses iteratív folyamatban a harminc minta mindegyikét egyszer kihagytuk a kalibrálás során, és a modellek validációja során használtuk fel [24].

A PLSR modellek minősítését a kalibrációs és a keresztvalidációs statisztikák összehasonlításával végeztük el. A különböző modelleket a kalibrációk (C) és validációk (CV) determinációs együtthatóinak (R2) és legkisebb négyzetes eltérés értékeinek (RMSE) összevetése alapján ítéltük meg: a nagyobb R2 érték és a kisebb RMSE érték (Root Mean Square Error) jelentette a jobb modellt. A modelloptimálás során az RMSECV (Root Mean Square Error of Cross Validation) értékeket minimalizáltuk.

4. Eredmények és értékelésük

A felvett nyers spektrumok a víz jellegzetes abszorpcióját mutatták a NIR tartományban, amelynek fő csúcsa az O–H vegyértékrezgés első felharmonikus tartományába esik 1450 nm-nél (1. ábra). Az 1780 nm körüli kis csúcs a C–H kötések első felharmonikusát jelöli.

1. ábra. A vizsgált cukoroldatok nyers spektrumai az 1100-1850 nm hullámhossztartományban

A második derivált spektrumokat a rés-szegmens transzformáció derivált függvényével számítottuk, a rést és a szegmenst egyaránt 5 adatpontra állítottuk, hogy elkerüljük a derivált függvény zajnövelését, ugyanakkor a hasznos jeleket továbbra is az előkezelt adatokban tartsuk. A második derivált spektrum (2. ábra) negatív csúcsai jelzik az eredetileg átfedő abszorpciók helyét és relatív amplitúdóját, amelyek egyként jelennek meg a nyers spektrumokon. Ez mutatja azt a jól leírt jelenséget, miszerint a nyers spektrumon 1450 nm-nél elhelyezkedő fő csúcsot a víz legalább két abszorpciója alkotja 1416 és 1460 nm-nél, amelyek a víz hidrogénkötéssel kevésbé és jobban kötött állapotainak elnyélési tartományai [15].

Az itt alkalmazott spektrális előkezelések (második derivált, SNV, MSC) nem tették lehetővé a különböző édesítőszerekkel készült oldatok vizuális megkülönböztetését, míg a vízabszorpciós csúcsok fokozatos változásai jelezték az oldott cukrok növekvő koncentrációjának a víz szerkezetére gyakorolt hatását [15].

A 3. ábra a harminc oldat második derivált spektruma alapján készült PCA háromdimenziós score diagramját mutatja. A háromféle édesítőszer oldatát különböző színekkel és számokkal jelöltük. A két ábra különböző szögekből mutatja ugyanazt az eredményt, kiemelve, hogy a negyedik főkomponens (PC4) felelős a K-sweet F55 megkülönböztetéséért a D-szacharóztól és a K-syrp LDX-től, míg a második főkomponens (PC2) felelős a D-szacharóz elkülönítéséért a K-syrp LDX-től és a K-sweet F55-től. Tehát a PC2, a kiindulási NIR adatok varianciájának mintegy 2%-át kitevő új látens változó, írja le a monoszacharid és diszacharid oldatok közötti különbségeket, míg a PC4, ami a kiindulási NIR adatok varianciájának kevesebb, mint 1%-át fedi le, írja le a magas fruktóztartalmú szirup és más édesítőszer oldatok közötti különbségeket. A PC2 és PC4 kombinációja leírja a glükóz- és más oldatok közötti különbségeket.

2. ábra. A vizsgált cukoroldatok második derivált spektrumai az 1100-1850 nm hullámhossztartományban
3. ábra. A háromféle cukoroldat második derivált spektrumai alapján készült főkomponens elemzés (PCA) score értékei (a) az első (PC1), második (PC2) és negyedik (PC4) főkomponens, illetve (b) a PC1, PC4 és PC2 által meghatározott háromdimenziós térben. A piros (1), zöld (2) és világoskék (3) pontok egyenként jelölik a D-szacharózt, a K-Syrup LDX-et és a K-Sweet F55-öt.

A 4. ábra szemlélteti a PC2 és PC4 loading vektorokat. Azok a hullámhossztartományok felelősek leginkább a főkomponensek score értékeiért, amelyek a legnagyobb eltérést mutatják a nullához képest, vagyis a hozzárendelt csúcsok jelölik a cukoroldatok közötti különbséget előidéző abszorpciókat. A sávok beosztása jó összhangban van korábbi megállapításokkal [14,15], vagyis az 1300-1600 nm-es intervallumban lévő csúcsok a víz oldott cukrok hatására bekövetkező molekuláris változásaira utalnak, míg az 1600-1850 nm-es intervallum csúcsai a jellemző C–H abszorpciós sávokat jelölik.

A mért °Brix és a számított glükóz-, fruktóz-, szacharózkoncentráció alapján PLS regresszióval épített kalibrációs modelleket a 2. táblázat és az 5. ábra foglalja össze.

4. ábra. A PC2 (kék) és PC4 (piros) loading vektorok, amelyek egyenként mutatják a felelős abszorpciós sávokat a D-szacharóz elkülönülésében a K-Syrup LDX-től és a K-Sweet F55-től, valamint a K-Sweet F55 elkülönülésében a D-szacharóztól és a K-Syrup LDX-től.
2. táblázat. A kalibrációs és validációs statisztikák a °Brix, a glükóz-, a fruktóz- és a szacharózkoncentrációra cukoroldatokban (n = 30) a legjobb modellek kiemelésével

LV: látens változók száma, R2C: kalibráció determinációs együtthatója, RMSEC: kalibráció átlagos négyzetes eltérése, R2CV: keresztvalidáció determinációs együtthatója, RMSECV: keresztvalidáció átlagos négyzetes eltérése, MSC: többszörös szóródási korrekció, SNV: standard normális változó, 2D5G5S: másodrendű derivált 5 pontos réssel és 5 pontos szegmenssel

A °Brix esetében a legjobb eredményeket spektrális előkezelés nélkül értük el. A °Brix RMSE értéke 1 °Brix körül volt, ami a mért referenciaérték szórásának majdnem harmada. A cukorkoncentrációk RMSE értékei hasonlóan alacsonyak voltak. A fruktózra kaptuk a leggyengébb eredményeket, melynek oka a számos alacsony koncentrációjú minta (0,05% alatt) – ezen a szinten a modell gyengébben teljesített, mint a nagyobb koncentrációknál (5. (b) ábra). A glükóz és szacharóz esetében a második derivált előkezelés, míg a fruktóz esetében a kezeletlen spektrum adta a legjobb eredményeket.

A legjobb °Brix, fruktóz, glükóz és szacharóz modellek kalibrációs és keresztvalidációs egyeneseit az 5. ábra mutatja. A fekete átló az optimális, míg a kék és a piros egyenesek a kalibrációs és keresztvalidációs illeszkedést mutatják. A kék pontok a NIR által becsült összetételi értékeket jelölik a laboratóriumi referenciaértékek függvényében a kalibráció során, a piros pontok pedig a NIR által a keresztvalidáció során becsült értékeket mutatják szintén a referenciaértékek függvényében. Minél közelebb helyezkednek el a pontok a regressziós egyeneshez, és minél kevésbé tér el a regressziós egyenes az optimális illeszkedéstől, annál jobb a kalibrációs modell. Az esetek többségében a kapott modellillesztések elérik az optimálisat, ami azt jelenti, hogy a NIR által becsült értékek közel megegyeznek a tényleges laboratóriumi referenciaértékekkel. Ennek a kutatásnak a kalibrációs és keresztvalidációs eredményei összhangban vannak a korábban említett, cukoroldatok és gyümölcslevek esetében kapott eredményekkel. Ezek az eredmények igazolják, hogy megfelelő kalibrációs folyamat után a NIR spektroszkópia megfelelő és hatékony eszköz egyes egyszerű cukrok gyors, egyszerű és pontos mérésére keverék oldatokban.

5. ábra: Optimális modellillesztés (fekete átló), valamint a legjobb kalibrációs (kék) és keresztvalidációs (piros) (a) °Brix, (b) fruktóz-, (c) glükóz- és (d) szacharózkoncentráció illesztés

5. Következtetések, záró gondolatok

A széles körben használt édesítőszerekkel kapcsolatos kutatásunk eredményei megerősítik azokat a korábban publikált eredményeinket, miszerint a NIR spekstroszkópia hasznos és hatékony módszer egyes cukrok kimutatására és mennyiségi meghatározására akár vegyes oldatokban is. A NIR spektrométerek ma már nem csupán a hordozható méretben, de akár néhány centiméteres chipként is elérhetők, így jelentős potenciál rejlik ebben a technikában a mindennapi élelmiszerminősítés terén. Az alkalmazások széles körét kell tesztelni és használni a termékek ellenőrzésére, így garantálva az élelmiszerbiztonságot és a beltartalmi összetételt. Ezen alkalmazások közül az ételek és italok fruktóztartalmának ellenőrzése és igazolása hasznos lehet a fogyasztók egészségének védelme szempontjából, mivel ez az összetevő bizonyítottan növeli több modern kori betegség kialakulásának kockázatát. A NIR spektroszkópia mint másodlagos korrelatív analitikai technika feltételezhetően a jövőben is alkalmatlan lesz arra, hogy segítségével egy teljesen ismeretlen összetételű folyadékban kimutassuk a fruktózt és meghatározzuk annak mennyiségét, viszont alkalmas lehet arra, hogy egy ismert, fruktózt nem, vagy csak meghatározott mennyiségben tartalmazó folyadékban jelezze annak túlzott jelenlétét. A NIR eszközök felhasználhatósága természetesen korlátozott, és nem tekinthetünk rájuk úgy, mint a klasszikus analitikai módszerek kiváltóira, azonban a lehetőségek racionális kihasználása révén hasznos alkalmazások fejleszthetőek a gyakorlat számára.

6. Irodalom

[1] Edwards, C. H., Rossi, M., Corpe, C. P., Butterworth, P. J., & Ellis, P. R. (2016): The role of sugars and sweeteners in food, diet and health: Alternatives for the future. Trends in Food Science and Technology, 56, pp. 158-166.
https://doi.org/10.1016/j.tifs.2016.07.008

[2] White, E., McMahon, M., Walsh, M., Coffey, J. C., & O’Sullivan, L. (2014): Creating Biofidelic Phantom Anatomies of the Colorectal Region for Innovations in Colorectal Surgery. Proceedings of the International Symposium on Human Factors and Ergonomics in Health Care, 3 (1), pp. 277-282.
https://doi.org/10.1177/2327857914031045

[3] Gardner, C., Wylie-Rosett, J., Gidding, S. S., Steffen, L. M., Johnson, R. K., Reader, D., & Lichtenstein, A. H. (2012): Nonnutritive sweeteners: Current use and health perspectives: A scientific statement from the American heart association and the American diabetes association. Circulation, 126 (4), pp. 509-519.
https://doi.org/10.1161/CIR.0b013e31825c42ee

[4] Taskinen, M. R., Packard, C. J., & Borén, J. (2019): Dietary fructose and the metabolic syndrome. Nutrients, 11 (9), pp. 1-16.
https://doi.org/10.3390/nu11091987

[5] Bray, G. A. (2013): Energy and fructose from beverages sweetened with sugar or high-fructose corn syrup pose a health risk for some people. Advances in Nutrition, 4 (2), pp. 220-225.
https://doi.org/10.3945/an.112.002816

[6] Malik, V. S., & Hu, F. B. (2015): Fructose and Cardiometabolic Health What the Evidence from Sugar-Sweetened Beverages Tells Us. Journal of the American College of Cardiology, 66 (14), pp. 1615-1624.
https://doi.org/10.1016/j.jacc.2015.08.025

[7] Rizkalla, S. W. (2010): Health implications of fructose consumption: A review of recent data. Nutrition and Metabolism, 7, pp. 1-17.
https://doi.org/10.1186/1743-7075-7-82

[8] Biró, G. (2018): Human biological characteristics of fructose. Journal of Food Investigation, 64 (1), pp. 1908-1916.

[9] Collino, M. (2011): High dietary fructose intake: Sweet or bitter life? World Journal of Diabetes, 2 (6), pp. 77.
https://doi.org/10.4239/wjd.v2.i6.77

[10] Liu, Y., Ying, Y., Yu, H., & Fu, X. (2006): Comparison of the HPLC method and FT-NIR analysis for quantification of glucose, fructose, and sucrose in intact apple fruits. Journal of Agricultural and Food Chemistry, 54 (8), pp. 2810-2815.
https://doi.org/10.1021/jf052889e

[11] Giannoccaro, E., Wang, Y. J., & Chen, P. (2008): Comparison of two HPLC systems and an enzymatic method for quantification of soybean sugars. Food Chemistry, 106 (1), pp. 324-330.
https://doi.org/10.1016/j.foodchem.2007.04.065

[12] Yuan, H., Wu, Y., Liu, W., Liu, Y., Gao, X., Lin, J., & Zhao, Y. (2015): Mass spectrometry-based method to investigate the natural selectivity of sucrose as the sugar transport form for plants. Carbohydrate Research, 407, pp. 5-9.
https://doi.org/10.1016/j.carres.2015.01.011

[13] International Association of Analytical Chemistry, A. (1990): Official Methods of Analysis of the AOAC. Arlington VA

[14] López, M. G., García-González, A. S., & Franco-Robles, E. (2017): Carbohydrate Analysis by NIRSChemometrics. In K. G. Kyprianidis & S. Jan (Eds.), Developments in Near-Infrared Spectroscopy pp. 81-95
https://doi.org/10.5772/67208

[15] Bázár, G., Kovacs, Z., Tanaka, M., Furukawa, A., Nagai, A., Osawa, M., Itakura, Y., Sugiyama, H., Tsenkova, R. (2015): Water revealed as molecular mirror when measuring low concentrations of sugar with near infrared light. Analytica Chimica Acta, 896, pp. 52-62.
https://doi.org/10.1016/j.aca.2015.09.014

[16] Xie, L., Ye, X., Liu, D., & Ying, Y. (2009): Quantification of glucose, fructose and sucrose in bayberry juice by NIR and PLS. Food Chemistry, 114 (3), pp. 1135-1140.
https://doi.org/10.1016/j.foodchem.2008.10.076

[17] Rodriguez-Saona, L. E., Fry, F. S., McLaughlin, M. A., & Calvey, E. M. (2001): Rapid analysis of sugars in fruit juices by FT-NIR spectroscopy. Carbohydrate Research, 336 (1), pp. 63-74.
https://doi.org/10.1016/S0008-6215(01)00244-0

[18] Mekonnen, B. K., Yang, W., Hsieh, T. H., Liaw, S. K., & Yang, F. L. (2020): Accurate prediction of glucose concentration and identification of major contributing features from hardly distinguishable near-infrared spectroscopy. Biomedical Signal Processing and Control, 59, pp. 101923.
https://doi.org/10.1016/j.bspc.2020.101923

[19] De Oliveira, V. M. A. T., Baqueta, M. R., Março, P. H., & Valderrama, P. (2020): Authentication of organic sugars by NIR spectroscopy and partial least squares with discriminant analysis. Analytical Methods, 12, pp. 701-705.
https://doi.org/DOI: 10.1039/C9AY02025J

[20] Khadem, H., Eissa, M. R., Nemat, H., Alrezj, O., & Benaissa, M. (2020): Classification before regression for improving the accuracy of glucose quantification using absorption spectroscopy. Talanta, 211 (January), pp. 120740.
https://doi.org/10.1016/j.talanta.2020.120740

[21] Hao, Q., Zhou, J., Zhou, L., Kang, L., Nan, T., Yu, Y., & Guo, L. (2020): Prediction the contents of fructose, glucose, sucrose, fructo-oligosaccharides and iridoid glycosides in Morinda officinalis radix using near-infrared spectroscopy. Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy, pp. 234
https://doi.org/10.1016/j.saa.2020.118275

[22] KALL, I. (2020): K-syrup LDX. Retrieved from http://kallingredients.hu/en/products/2/14/k-syrup-ldx

[23] KALL, I. (2020): K-sweet F55. Retrieved from http://kallingredients.hu/en/products/2/12/k-sweet

[24] Naes, T., Isaksson, T., Fearn, T., & Davies, T. (2002): A user-friendly guide to multivariate calibration and classification. Chichester, UK: NIR Publications

Tovább a cikk olvasásához


Élelmiszerekből izolált staphylococcus fajok antibiotikum rezisztencia vizsgálata

Cikk letöltése PDF formátumban

Élelmiszerekből izolált staphylococcus fajok antibiotikum rezisztencia vizsgálata

DOI: https://doi.org/10.52091/EVIK-2021/2-1-HUN

Érkezett: 2021. február – Elfogadva: 2021. április

Szerzők

a Debreceni Egyetem, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Élelmiszertudományi Intézet
b BIOMI Kft.
c Pázmány Péter Katolikus Egyetem
d WESSLING Hungary Kft.
e Állatorvostudományi Egyetem
* Levelező szerző: horvath.brigitta920108@gmail.com

Kulcsszavak

élelmiszer, Staphylococcus, antibiotikum rezisztencia, MALDI-TOF-MS, baktérium identifikálás, élelmiszerbiztonság, humán patogén, nozokómiás fertőzés

1. Összefoglalás

A methicillin-rezisztens Staphylococcus aureus (MRSA) törzsek élelmiszerláncban előforduló jelenlétét számos tanulmány igazolta az Európai Unióban, azonban Magyarországon kevés adat áll rendelkezésünkre ezzel kapcsolatban. Jelen vizsgálat célja az élelmiszerekből izolált Staphylococcus törzsek antibiotikum rezisztenciá-jának vizsgálata klasszikus mikrobiológiai, molekuláris biológiai módszerekkel és MALDI-TOF-MS technikával, továbbá az antibiotikum rezisztens törzsek multilókusz szekvencia tipizálása (MLST). A vizsgálat során 47 koaguláz-pozitív (CPS) és 30 koaguláz-negatív Staphylococcus (CNS) izolátumot gyűjtöttünk. A MALDI-TOF-MS vizsgálat során minden CPS izolátum (n=47) S. aureus fajnak bizonyult, míg a CNS törzsek esetében 8 különböző fajt azonosítottunk. Két S. aureus törzs esetében állapítottunk meg methicillin-rezisztenciát, amelyek közül az egyik izolátum eddig még nem ismert szekvencia típusba, míg a másik MRSA törzs az ST398 típusba tartozott, amely a mezőgazdasági haszonállatokból izolált MRSA törzsek leggyakoribb típusa az EU/EGT területén.

(Az „MRSA” rövidítést köznapi szóhasználatban, de esetenként a szakirodalomban is gyakran a „multirezisztens Staphylococcus aureus” megjelölésére használják. A szerzők kéziratában - helyesen a methicillin-rezisztens kórokozót jelölik így. A Szerk.)

2. Bevezetés és irodalmi áttekintés

Az antibiotikum rezisztens mikroorganizmusok által okozott nozokómiális infekciók (kórházhigiénés fertőzések – a szerk.) száma minden országban növekedést mutat, ezáltal egyre nagyobb kihívás elé állítva az egészségügyi ellátórendszert [1, 2]. A helyzetet tovább súlyosbítja az a tény, hogy az antibiotikum rezisztens Staphylococcus fajok már nem csak a közösségekben és az egészségügyben, hanem az intenzív állattartásban, ezáltal az élelmiszerláncban is megjelentek [3].

A Staphylococcus fajokban az antibiotikum rezisztenciával és virulenciával kapcsolatos gének a mobilis genetikai elemekben (MGE) találhatók, mint például a kromószóma kazettákban, patogenitási szigeteken, plazmidokban vagy transzpozonokban [4]. A methicillinnel szembeni rezisztenciáért a mecA gén felelős: a gén egy módosított penicillin-kötő fehérjét kódol, amely csökkenti a legtöbb béta-laktám antibiotikum, így a penicillin és a methicillin kötődési affinitását. A mecA gén a Staphylococcus kromószóma kazettán (SSCmec) található, amely egy MGE csoport és csak a Staphylococcus fajokban található meg [5]. A mecA gén Staphylococcus fajok közötti átvitelének mechanizmusa nem ismert, azonban bizonyítékok támasztják alá a horizontális géntranszfert a koaguláz-pozitív és koaguláz-negatív Staphylococcus fajok között [6].

A methicillin-rezisztens Staphylococcus aureus (MRSA) törzsek élelmiszerláncban előforduló jelenlétéről már több tanulmány beszámolt. Szerzőik egy része állati eredetű élelmiszermintákból, másik része pedig nyers húsmintákból (sertés, hal, baromfi) izolált törzsek vizsgálatát végezte el. Hollandiában 2009-ben 2217 különböző élelmiszermintát vizsgáltak meg, amelynek a 12%-a MRSA törzsnek bizonyult [7], míg egy dániai vizsgálat során 153 sertéshúsmintának a 4,6%-a, az importált 173 sertéshúsmintának pedig a 7,5%-a volt fertőzött MRSA törzzsel [8]. Németországban nyers tejből, sertéshúsból, pulykahúsból és brojler csirkehúsból is azonosítottak MRSA törzseket [9]. Magyarországon egy tehenészeti telep 595 egyedi tejmintájából 27 db MRSA izolátumot azonosítottak [10], egy másik vizsgálatban 42 telep 626 S. aureus izolátuma közül csak 4 törzs bizonyult methicillin rezisztensnek [11]. Ezeken túl azonban más élelmiszerkategóriából származó és fogyasztásra kész élelmiszerekből eddig nem vizsgálták az MRSA jelenlétét. A törzsek molekuláris tipizálási eredményei rámutattak arra, hogy az MRSA számos típusa jelen van az élelmiszerláncban a különböző országokban [12], azonban a leggyakrabban a CC398-as típus fordult elő, amely az EU és az EGT területén a mezőgazdasági haszonállatokból izolált MRSA törzsek 85%-át teszi ki [13, 14, 7,15].

A további methicillin-rezisztens Staphylococcus (MRS) fajok előfordulását az élelmiszerekben azonban már kevesebb tanulmány vizsgálta. Nigériában 255 tradicionális ételből származó izolátumból 13 Staphylococcus faj (S. xylosus, S. epidermidis, S. simulans) mutatott methicillin-rezisztenciát [16]. Egy Lengyelországban végzett tanulmány során 58 készételből izolált törzsből 33 Staphylococcus törzs (S. epidermidis, S. simulans, S. xylosus, S. hycus, S. lentus, S. saprophyticus) mutatott rezisztenciát legalább egy fajta antibiotikummal szemben [17].

Az Európai Unióban az élelmiszerekből és haszonállatokból izolált Staphylococcus törzsek antibiotikum rezisztenciájának ellenőrzése jelenleg önkéntes, ezért 2016-ban csak Németország, Svájc, Dánia és Spanyolország jelentett ezzel kapcsolatos információt. Az MRSA előfordulási gyakorisága országonként eltérő volt, ám az összehasonlítás során figyelembe kell venni, hogy a vizsgálatokat eltérő állatfajokból, húsokból és húskészítményekből izolált törzseken végezték el [18]. A humán fertőzések kis hányada vezethető vissza a CC398-as típusú MRSA törzsekre és azok is legfőképp szakmai expozíciókra korlátozódnak, mint az állatgyógyászat és az intenzív állattartás. Ennek ellenére a CC398-as típusú MRSA törzsekben kimutatható virulencia faktorok lehetővé teszik a magas patogenitást, így a folyamatos revízió mind az állatokban, mind az élelmiszerekben elengedhetetlen [19]. A felügyelet szükségességét az egyéb Staphylococcus fajok antibiotikum rezisztenciájának esetleges fennállása is indokolja, amely lehetőséget nyújt a rezisztencia terjedésére, és veszélyt jelent a fogyasztók egészségére.

A sikeres felügyeleti rendszer elengedhetetlen feltétele, hogy egy egységes, gazdasági szempontból is elfogadható, gyors és megbízható módszer álljon rendelkezésre a mikroorganizmusok faji szintű azonosításában és antibiotikum rezisztencia meghatározásában, amelynek ígéretes alappillére lehet a fehérje azonosításon alapuló (peptide mass fingerprint) mátrix-asszisztált lézer deszorpciós, ionizációs, repülési idő mérésén alapuló tömegspektrometria (MALDI-TOF-MS). A 2000-es évek kezdetén számos tanulmány számolt be olyan specifikus fragment ionokról, amelyek lehetővé teszik az antibiotikum rezisztens Staphylococcus törzsek gyors azonosítását. A legtöbbet vizsgált biomarker a 2414 m/z értékű fragment ion volt, amelynek megjelenése a tömegspektrumban az MRSA törzsekre jellemző psm-mec expressziójával korrelál [20]. A detektáláshoz és diszkriminációhoz a 2414 m/z értékű fragment ion alkalmazhatóságát több tanulmány is igazolta [21, 22].

Az MRSA törzsek biomarkereinek vizsgálatain kívül más tanulmányok további Staphylococcus fajok methicillin-rezisztencia specifikus fragment ion csúcsait elemezték. Egy korábbi cikkben két specifikus fragment ion-értéket határoztak meg: a 7239 m/z értékű ion fragment-csúcsot, amely a methicillin-rezisztens S. epidermidis és a 9674 m/z fragment-ion csúcsot, amely a methicillin-rezisztens S. haemolyticus biomarkere [23].

Saját kísérleteink célja az élelmiszerekből izolált Staphylococcus törzsek methicillin rezisztenciájának vizsgálata klasszikus mikrobiológiai, molekuláris biológiai módszerekkel és MALDI-TOF-MS technikával, továbbá az antibiotikum rezisztens törzsek multilókusz szekvencia tipizálása volt (MLST) a törzsek epidemiológiai vizsgálata céljából.

3. Vizsgálati anyag és módszer

3.1. Gyűjtött izolátumok és tenyésztési körülmények

A WESSLING Hungary Kft. Mikrobiológiai laboratóriumában a 2019. augusztus és 2020. szeptember közötti időszakban az MSZ EN ISO 6888-1:2008 szabvány előírásai alapján izolált 77 Staphylococcus izolátumot vizsgáltunk. Az izolátumokat 37 °C-on, 24±1 órán keresztül Baird-Parker (Biokar, Franciaország) szelektív táptalajon tenyésztettük és a Staphylococcusokra jellemző kolóniákat Columbia véres agarra (Neogen, UK) oltottuk át (37 °C, 24±1 óra). A tenyésztés során 47 törzs mutatott pozitív koaguláz reakciót, míg 30 izolátum koaguláz-negatívnak bizonyult, amelyet latex agglutinációs gyorsteszttel (PASTOREX™ STAPH-PLUS) is igazoltunk. Az izolátumokat nyers húsból, húskészítményekből és fogyasztásra készételekből gyűjtöttük: baromfi (n=14), marha (n=5), sertés (n=42), vad (n=1), hal (n=1), tejtermék (n=3), készételek (n=3), zöldségek (n=2) és száraztészta (n=6).

3.2. Izolátumok azonosítása MALDI-TOF-MS technikával

A gyűjtött 77 izolátum azonosítását Bruker Microflex LT MALDI-TOF tömegspektrométerrel és a MALDI BioTyper 3.1 (Bruker Daltonics) szoftverrel végeztük el. Hangyasavas szuszpendálási protokollt alkalmaztunk, amely során Columbia véres agarról egy önálló telepet vettünk fel egy steril kacs segítségével, majd 40 µl hangyasavban szuszpendáltunk el. A szuszpenzióhoz 40 µl acetonitrilt adtunk, amelyből a lemez egyik pozíciójára 1 μl-t cseppentettünk fel. A csepp beszáradását követően a mintákra 1 μl α-HCCA (10 mg/ml α-Cyano-4-hydroxycinnamic acid) mátrix oldatot vittünk fel és a mintát ismét hagytuk beszáradni. Valamennyi minta esetében 6 párhuzamos mérést végeztünk.

Az izolátumok azonosítása során MALDI Biotyper 3.1 szoftvert alkalmaztunk, amely a kapott tömegspektrumokat az adatbázisában szereplő referencia tömegspektrumokhoz hasonlítja és egy megfelelőségi faktort (score) számít ki. 2,300 – 3,000 log score érték esetén az azonosság igen valószínű. Ekkora log score érték esetén a faj azonosítottnak tekinthető. Amennyiben 2,000 – 2,299 közötti log score értéket kapunk, az azonosság kisebb, így ez esetben csak a mikroorganizmus nemzetsége tekinthető azonosítottnak. 1,700 – 1,999 log score érték között a nemzetség (genus) azonosítása sem tekinthető megfelelően biztosnak. Ha az értékelő szoftver 0,000 – 1,699 közötti log score értéket ad meg, az azonosítást sikertelennek kell tekinteni. A vizsgálatba bevont koaguláz-pozitív Staphylococcus törzsek azonosítását korábban végeztük el [24].

3.3. Antibiotikum érzékenységi vizsgálat

3.3.1. Methicillin-rezisztencia specifikus csúcsok vizsgálata MALDI-TOF-MS módszerrel

A kapott tömegspektrumokat a flexAnalysis 3.4 szoftverbe (Bruker Daltonics) exportáltuk és elvégeztük a tömegspektrumok manuális elemzését és összehasonlítását. A tömegspektrumok simítását a Savitzky–Golay szűrővel, az alapvonal korrekcióját pedig a TopHat algoritmussal végeztük el. Az elemzés során a methicillin-rezisztencia (MR) specifikus fragment ionok jelenlétét vizsgáltuk (1. táblázat).

1. táblázat. A vizsgálatban tesztelt methicillin-rezisztencia (MR) specifikus csúcsok

3.3.2. Korongdiffúziós módszer

A törzsek antibiotikum-rezisztenciájának vizsgálata során a CLSI (Clinical and Laboratory Standards Institute) által meghatározott előírásoknak (2019) megfelelően jártunk el [25]. A 0,5 McFarland egységnyi baktérium-szuszpenziót Mueller-Hinton agar (Oxoid, UK) felületére szélesztettük, majd a táptalaj felületére helyeztük a Cefoxitin 30 μg korongokat. A törzseket 37 °C-on, 18 órán át inkubáltuk. Az MRSA törzsek esetében a feltisztulási zóna referencia tartománya 6-19 mm volt, míg mecA negatív fajoknál 20-32 mm.

3.3.3. Szelektív differenciáló agar

Az antibiotikum rezisztencia vizsgálatok során továbbá a CHROMagar MRSAII szelektív differenciáló táptalajt (BD, UK) alkalmaztunk, amely a methicillin-rezisztens Staphylococcus aureus fajok kimutatására szolgál. Az izolátumokat 37 °C-on 24-48 órán keresztül inkubáltuk aerob körülmények között. MRSA baktériumnak tekintettük azokat a törzseket, amelyek morfológiailag Staphylococcusokhoz hasonló mályvaszínű telepeket képeztek. A korongdiffúziós (Cefoxitin 30 µg) módszert és az MRSA CHROMagar vizsgálatot minden élelmiszerből izolált törzs (n=77) esetében kétszer ismételtük meg. A vizsgálatok során pozitív kontrollként az ATCC 33591 referencia MRSA törzset, negatív kontrollként pedig az ATCC 29213 MSSA törzset használtuk.

3.3.4. mecA génkomplex

A mecA gén kimutatásának vizsgálatát a Dán Nemzeti Élelmiszertudományi Intézet (National Food Institute – NFI) 2012-ben kiadott protokollja alapján végeztük el [26]. A vizsgálat során pozitív kontrollként az ATCC 43300 MRSA törzset, míg negatív kontrollként az ATCC 29213 MSSA törzset használtuk. A baktériumokból genomi DNS-t izoláltunk, majd a mecA génszakaszt PCR segítségével felszaporítottuk. Az alkalmazott primereket a 2. táblázat tartalmazza.

2. táblázat. A mecA gén felszaporításához alkalmazott primerek

3.4. A methicillin-rezisztens Staphylococcus törzsek MLST vizsgálata

THOMAS és munkatársai [27] tanulmánya alapján a baktériumokból genomi DNS-t izoláltunk, majd a 7 db Staphylococcus aureus fajra specifikus génszakaszt PCR segítségével felszaporítottuk (3. táblázat). Meghatároztuk a megtisztított PCR termékek nukleotid sorrendjét majd a szekvencia adatokat BioNumerics 7.6 szoftverben értékeltük.

3. táblázat. MLST módszer során alkalmazott gének és a felszaporításukhoz használt primerek adatai

4. Eredmények

4.1. Az izolált törzsek azonosítási eredményei

A MALDI-TOF-MS vizsgálat során minden koaguláz-pozitív Staphylococcus (CPS) törzs (n=47) S. aureus fajnak bizonyult (4. és 6. táblázat). A koaguláz-negatív Staphylococcus (CNS) törzsek esetében pedig 8 különböző fajt (S. xylosus, S. saprophyticus, S. pasteuri, S. epidermidis, S. warneri, S. chromogenes, S. piscifermentans, S. haemolyticus) azonosítottunk (4. és 7. táblázat). A CNS (n=30) izolátumok 30%-a S. warneri fajnak, míg 23%-a S. pasteuri fajnak bizonyult. A S. aureus törzsek 70%-át, míg a CNS törzsek mindegyikét hús és húskészítményekből izoláltuk (1. és 2. ábra). A S. aureus törzsek esetében a hús és húskészítmények 64%-a, míg a CNS törzsek 70%-a sertésből származott. A hús és húskészítményeken belül, a baromfiból és marhából származó izolátumok megoszlása közel azonos volt.

1. ábra. A S. aureus törzsek megoszlása élelmiszercsoportonként
2. ábra. A CNS törzsek megoszlása élelmiszercsoportonként

Az izolátumok átlag azonosítási log score értékeit és azok szórását a 4. táblázat foglalja össze. A S. aureus izolátumok átlag azonosítási log score értéke meghaladta a 2,400-et. A legalacsonyabb log score érték 2,304 volt, azonban még ebben az esetben is biztonságosnak tekinthető az azonosítás. A CNS izolátumok vizsgálata során, minden fajt 2,300 log score érték felett azonosítottunk és a szórás egyik esetben sem haladta meg a 0,1 értéket.

4. táblázat. Azonosított koaguláz-pozitív és -negatív Staphylococcus fajok azonosítási log score értékei

4.2. A MALDI-TOF-MS technikával meghatározott methicillin-rezisztencia eredményei

Az izolátumokból nyert tömegspektrumok elemzése során 3 antibiotikum-rezisztencia specifikus csúcsot vizsgáltunk meg. A 2414 m/z csúcs a mecA gén egyik fehérjeterméke [28], ezért ennek a csúcsnak a jelenlétét illetve hiányát minden törzs esetében megvizsgáltuk. A 7239 m/z csúcs detektálhatóságát csak a S. epidermidis fajokban, míg a 9674 m/z csúcs jelenlétét/hiányát csak a S. haemolyticus fajokban vizsgáltuk a csúcsok fajspecificitása miatt.

A 2414 m/z csúcsot a 77 izolátum közül, két S. aureus törzsben detektáltuk, amelyek közül az egyik libamájból (SA-17) a másik pedig sertés tarjából (SA-47) származik. A további 75 izolátum esetében ez a csúcs még alacsony intenzitással sem jelent meg (5. táblázat). Az elemzés során a methicillin-rezisztensnek bizonyult két S. aureus törzset pirossal, míg a többi, methicillin-rezisztencia specifikus csúcsot nem tartalmazó S. aureus törzsek tömegspektrumait feketével jelöltük (3. és 4. ábra).

A 7239 m/z egyik S. epidermidis törzsben (n=4) sem volt detektálható és a 9674 m/z csúcs a 4 S. haemolyticus faj egyikében sem jelent meg.

3. ábra. A 2414 m/z átmenet tömegspektruma
4. ábra. A 47 Staphylococcus törzs tömegspektruma
5. táblázat. Specifikus ion fragment-értékek előfordulási gyakorisága az élelmiszerekből izolált Staphylococcus törzsekben

4.3. A korongdiffúziós módszer és az MRSA CHROMagar szelektív differenciáló agar eredményei

A 77 törzs vizsgálata során 75 törzs esetében a feltisztulási zóna átmérője 23-29 mm közé esett. Egy libamájból izolált törzs (SA-17) feltisztulási zónája 9 mm, egy sertéstarjából izolált törzs (SA-47) feltisztulási zónája pedig 17 mm átmérőjű volt és ugyanezen törzsek mályvaszínű telepeket képeztek az MRSA CHROMagar szelektív differenciáló táptalajon is (6. és 7. táblázat).

6. táblázat. Az élelmiszerekből azonosított S. aureus törzsek antibiotikum rezisztencia vizsgálatok eredményei
7. táblázat. Az élelmiszerekből azonosított koaguláz-negatív Staphylococcus törzsek antibiotikum rezisztencia vizsgálatok eredményei

4.4. mecA gén kimutatás eredményei

A MALDI-TOF-MS vizsgálatok, a korongdiffúziós módszer és az MRSA szelektív, differenciáló táptalaj eredményei alapján kiderült, hogy a libamájból és sertés tarjából izolált S. aureus törzsek (SA-17, SA-47) methicillin-rezisztenciát hordoznak, amelyet a két törzsben kimutatható, a PBP2a szintéziséért felelős mecA gén erősített meg (6. táblázat).

4.5. Az MRSA törzsek MLST típusa

A vizsgálat során elvégeztük a két MRSA törzs MLST tipizálását is, amely során a PubMLST honlapon (https://pubmlst.org/saureus/) elérhető adatbázisban szereplő adatokat használtuk. A BioNumerics 7.6 szoftver a két MRSA törzs közül csak a sertés tarjából izolált törzs esetében tudta hozzárendelni a szekvencia típust.

A libamájból izolált törzs egy eddig még nem ismert szekvencia típusba, míg a sertés tarjából izolált törzs a 398-as szekvencia típusba tartozott (8. táblázat).

8. táblázat. Az élelmiszerekből izolált MRSA törzsek MLST típusa

5. Összefoglalás és következtetés

A vizsgálat során különböző élelmiszer mátrixokból 77 Staphylococcus izolátumot gyűjtöttünk az MSZ EN ISO 6888-1:2008 szabványban leírt módszerek alapján. A szabvány ugyan lehetővé teszi a koaguláz-pozitív és koaguláz-negatív Staphylococcus fajok elkülönítését, azonban a faji identifikálást nem, amely a fajok eltérő virulencia faktorai és patogenitása szempontjából számottevő. Az élelmiszerekből izolált 47 koaguláz-pozitív és 30 koaguláz-negatív Staphylococcus törzs azonosítását MALDI-TOF-MS technikával végeztük el, magas azonosítási log score értékekkel. Emellett a kapott tömegspektrumok elemzésével, korábbi tanulmányokban meghatározott methicillin-rezisztencia specifikus ion fragment-értékek alapján két S. aureus törzs esetében methicillin-rezisztenciát állapítottunk meg, amelyet korongdiffúziós módszerrel, szelektív differenciáló agarral és a mecA gén kimutatásával igazoltunk. A specifikus ion fragment értékeknek köszönhetően jelentősen csökkenthető a diagnosztikai idő, amely gazdasági és terápiás szempontból sem elhanyagolható. Azt azonban figyelembe kell vennünk, hogy az MRSA törzsek nagy variabilitásának köszönhetően ezeknek az ion fragment értékeknek a szenzitivitása és specificitása nem 100%-os, így megerősítő vizsgálatok elvégzése szükséges.

Az élelmiszerekből izolált két MRSA törzsnek elvégeztük a multilókusz szekvencia tipizálását (MLST), a törzsek epidemiológiai vizsgálata céljából. A sertéshúsból származó izolátum az ST398 típusba tartozott, amely a mezőgazdasági haszonállatokból izolált MRSA törzsek leggyakoribb típusa az EU/EGT területén. Figyelembe véve azonban az ST398-as típusú törzsek specifikus gazdaszervezet adaptációs képességeit, miszerint azok nem csak sertésekben, hanem más állatfajokban és a humán szervezetben is képesek megtapadni, a kontamináció és a fertőződés számos módon létrejöhet az élelmiszer-feldolgozás technológiai lépései során is.

Tekintve, hogy az élelmiszerekből izolált 47 S. aureus törzs közül 2 törzs is methicillin-rezisztensnek bizonyult, e tény igazolja a globálisan növekvő antibiotikum-rezisztencia okozta veszélyeket, ezáltal a helyzet súlyosságát és aktualitását is jelzi.

6. Köszönetnyilvánítás

A tanulmány a WESSLING Hungary Kft., a BIOMI Kft. és az Innovációs és Technológiai Minisztérium ÚNKP-19-3-III kódszámú Új Nemzeti Kiválóság Programjának szakmai támogatásával készült.

7. Irodalom

[1] Böröcz, K. (2001): A magyarországi nosocomialis MRSA járványok tapasztalatai (1993-2000). Epidemiológiai Információs Hetilap. 8. (10-11).

[2] Böröcz, K. (2005): Az Országos tisztifőorvos állásfoglalása a methicillin-rezisztens Staphylococcus aureus (MRSA) törzsek által okozott, egészségügyi ellátással összefüggő fertőzések megelőzésükről és terjedésük megakadályozásáról. Epidemiológiai Információs Hetilap. 12. (5).

[3] Jungwhan, C., Kidon, S., Saeed, K. (2017): Methicillin-Resistant Staphylococcus aureus (MRSA) in Food-Producing and Companion Animals and Food Products. Frontiers in Staphylococcus aureus. Intechopen.

[4] Lim, D., Strynadka, N. C. J. (2002): Structural basis for the β-lactam resistance of PBP2a from metichillin-resistant Staphylococcus aureus. Nature Structural Biology. 9 (11), pp. 870-876. https://doi.org/10.1038/nsb858

[5] Ito, T., Katayama, Y., Hiramatsu, K. (1999): Cloning and nucleotide sequence determination of the entire mec DNA of pre-methicillin-resistant Staphylococcus aureus N315. Antimicrob Agents Chemother. 43 (6), pp. 1449-58. https://doi.org/10.1128/AAC.43.6.1449

[6] Wielders, C. L., Vriens, M. R., Brisse, S., De Graaf-Miltenburg, L. A., Troelstra, A., Fleer, A., Schmitz, F. J., Verhoef, J., Fluit, A. C. (2001): In-vivo transfer of mecA DNA to Staphylococcus aureus [corrected]. Lancet. 26; 357 (9269), pp. 1674-1675. https://doi.org/10.1016/S0140-6736(00)04832-7

[7] Köck, R., Harlizius, J., Bressan, N., Laerberg, R., Wieler, L. H., Witte, W., Deurenberg, R. H., Voss, A., Becker, K., Friedrich, A. W. (2009): Prevalence and Molecular Characteristics of Methicillin-Resistant Staphylococcus Aureus (MRSA) Among Pigs on German Farms and Import of Livestock-Related MRSA Into Hospitals. European Journal of Clinical Microbiology & Infectious Diseases. 28 (11), pp. 1375-1382. https://doi.org/10.1007/s10096-009-0795-4

[8] Agersø, Y., Hasman, H., Cavaco, L. M., Pedersen, K., Aarestrup, F. M. (2012): Study of methicillin-resistant Staphylococcus aureus (MRSA) in Danish pigs at slaughter and in imported retail meat reveals a novel MRSA type in slaughter pigs. Veterinary Microbiology. 157 (1-2), pp. 246-250. https://doi.org/10.1016/j.vetmic.2011.12.023

[9] Argudín, M. A., Tenhagen, B. A., Fetsch, A., Sachsenröder, J., Käsbohrer, A. (2011): Virulence and resistance determinants of German Staphylococcus aureus ST398 isolates from nonhuman sources. Applied and Environmental Microbiology. 77 (9), pp. 3052-3060 https://doi.org/10.1128/AEM.02260-10

[10] Juhász-Kaszanyitzky, E., Jánosi, S., Somogyi, P., Dán, A., Van Der, A., Graaf-Van Bloois, L. (2007): MRSA transmission between cows and humans. Emerging Infectious Diseases. 13 (4), pp. 630-632. https://doi.org/10.3201/eid1304.060833

[11] Albert, E., Sipos, R., Jánosi, Sz., Kovács, P., Kenéz, Á., Micsinai, A., Noszály, Zs., Biksi, I. (2020): Occurrence and characterisation of methicillin-resistant Staphylococcus aureus isolated from bovine milk in Hungary. Acta Veterinaria Hungarica. 68 (3) pp. 236-241. https://doi.org/10.1556/004.2020.00040

[12] Wendlandt, S., Schwarz, S., Silley, P. (2013): Methicillin-Resistant Staphylococcus aureus: A Food-Borne Pathogen? Annual Review of Food Science and Technology. 4, pp. 117-139. https://doi.org/10.1146/annurev-food-030212-182653

[13] Bosch, T., Verkade, E., Van Luit, M., Landman, F., Kluytmans, J., Schouls, L. M. (2015): Transmission andpersistence of livestock-associated methicillin-resistant Staphylococcus aureus among veterinarians and their household members. Applied and Environmental Microbiology. 81 (1), pp. 124-129. https://doi.org/10.1128/AEM.02803-14

[14] Fluit, A.C. (2012): Livestock-associated Staphylococcus aureus. Clinical Microbiology and Infection. 18 (8), pp. 735-744. https://doi.org/10.1111/j.1469-0691.2012.03846.x

[15] Verkade, E., Van Benthem, B., Den Bergh, M. K., Van Cleef, B., Van Rijen, M., Bosch, T., Kluytmans, J. (2013): Dynamics and determinants of Staphylococcus aureus carriage in livestock veterinarians: a prospective cohort study. Clinical Infectious Diseases. 57 (2), pp. 11-17. https://doi.org/10.1093/cid/cit228

[16] Fowoyo, P. T. - Ogunbanwo, S. T. (2017): Antimicrobial resistance in coagulase-negative staphylococci from Nigerian traditional fermented foods. Annals of Clinical Microbiology and Antimicrobials, 16 (4), pp. 2-7. https://doi.org/10.1186/s12941-017-0181-5

[17] Chaje, W., Zadernowska, A. C.-W., Nalepa, B., Sierpinska, M., - Łaniewska-Trokenheim, L. (2015): Coagulase-negative staphylococci (CoNS) isolated from ready-to-eat food of animal origin e Phenotypic and genotypic antibiotic resistance. Food Microbiology, 46, pp. 222-226. https://doi.org/10.1016/j.fm.2014.08.001

[18] European Food Safety Authority - EFSA (2018): The European Union summary report on antimicrobial resistance in zoonotic and indicator bacteria from humans, animals and food in 2016. EFSA journal. 16 (2), pp. 5182. https://doi.org/10.2903/j.efsa.2018.5182

[19] Aires-De-Sousa, M. (2016): Methicillin-resistant Staphylococcus aureus among animals: current overview. Clinical Microbiology and Infection. 23, pp. 373-380. https://doi.org/10.1016/j.cmi.2016.11.002

[20] Josten, M., Dischinger, J,. Szekat, C., Reif, M., Al-Sabti, N., Sahl, H. G., Parcina, M., Bekeredjian-Ding, I, Bierbaum, G. (2014): Identification of Agr-Positive Methicillin-Resistant Staphylococcus Aureus Harbouring the Class A Mec Complex by MALDI-TOF Mass Spectrometry. International Journal of Medical Microbiology. 304 (8), pp. 1018-1023. https://doi.org/10.1016/j.ijmm.2014.07.005

[21] Alksne, L., Makarova, S., Avsejenko, J., Cibrovska, A., Trofimova, J., Valciņa, O. (2020): Determination of methicillin-resistant Staphylococcus aureus and Staphylococcus epidermidis by MALDI-TOF-MS in clinical isolates from Latvia. Clinical Mass Spectrometry. 16, pp. 33-39. https://doi.org/10.1016/j.clinms.2020.03.001

[22] Pranada, A. B. - Bienia, M. - Kostrzewa, M. (2016): Optimization and Evaluation of MRSA Detection by Peak Analysis of MALDI-TOF Mass Spectra, in DGHM 2016 https://www.msacl.org/view_abstract/MSACL_2017_EU.php?id=305 Hozzáférés: 2021.01.08.

[23] Manukumar, H. M., Umesha, S. (2017): MALDI-TOF-MS based identification and molecular characterization of food associated methicillin-resistant Staphylococcus aureus. Scientific Reports. 7, 11414 pp. 1-16. https://doi.org/10.1038/s41598-017-11597-z

[24] Horvath, B., Peles, F., Szél, A., Sipos, R., Erős, Á., Albert, E., Micsinai, A. (2020): Molecular typing of foodborne coagulase-positive Staphylococcus isolates identified by MALDI-TOF-MS. Acta Alimentaria, An International Journal of Food Science. 49 (3), pp. 307-313. https://doi.org/10.1556/066.2020.49.3.9

[25] Clinical and Laboratory Standards Institute - CLSI (2019): Performance Standards for Antimicrobial Susceptibility Testing: Eighteenth Informational Supplement M100- S18. Wayne, PA, USA: CLSI.

[26] National Food Institute - NFI (2012): protocol for pcr amplification of meca, mecc (mecalga251), spa and pvl recommended by the eurl-ar 2st version. https://www.eurl-ar.eu/CustomerData/Files/Folders/21-protocols/279_pcr-spa-pvl-meca-mecc-sept12.pdf Hozzáférés: 2021.02.03.

[27] Thomas, J. C., Vargas, M. R., Miragaia, M., Peacock, S. J., Archer, G. L., Enright, M. (2007): Improved Multilocus Sequence Typing Scheme for Staphylococcus epidermidis. Journal of Clinical Microbiology. 45 (2), pp. 616-619. https://doi.org/10.1128/JCM.01934-06

[28] Josten, M., Dischinger, J,. Szekat, C., Reif, M., Al-Sabti, N., Sahl, H. G., Parcina, M., Bekeredjian-Ding, I, Bierbaum, G. (2014): Identification of Agr-Positive Methicillin-Resistant Staphylococcus Aureus Harbouring the Class A Mec Complex by MALDI-TOF Mass Spectrometry. International Journal of Medical Microbiology. 304 (8), pp. 1018-1023. https://doi.org/10.1016/j.ijmm.2014.07.005

Tovább a cikk olvasásához


Golden Delicious almák és Packham körték mechanikai kifáradási mutatóinak összehasonlítása

Cikk letöltése PDF formátumban

Golden Delicious almák és Packham körték mechanikai kifáradási mutatóinak összehasonlítása

DOI: https://doi.org/10.52091/EVIK-2021/2-5-HUN

Érkezett: 2020. augusztus – Elfogadva: 2021. január

Szerzők

1 Szent István Egyetem, Gépészmérnöki Kar, Folyamatmérnöki Intézet, Gödöllő (2021. február 1. óta: Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet)
2 Szent István Egyetem, Gépészmérnöki Kar, Géptani és Informatikai Intézet, Gödöllő (2021. február 1. óta: Magyar Agrár- és Élettudományi Egyetem, Műszaki Intézet)

Kulcsszavak

gyümölcsök sérülése, TTF (time to failure), gyümölcsök reológiai vizsgálata, viszkoelasztikus modellek, időfüggő alakváltozás, terhelési és tehermentesítési görbék, disszipált energia, biológiai folyáshatár, biológiai töréspont, sérülési határérték, sérülési ellenállás, kúszási görbe, deformáció

1. Összefoglalás

A kertészeti termények feldolgozási folyamataiban az egyik legjelentősebb, a gyü-mölcs tönkremeneteléhez vezető jelenség az ismétlődő mechanikai igénybevételek miatt bekövetkező kifáradás, ami főleg a szállítás során veszélyezteti a termények épségét. Ilyen sérülések esetében a károsodott gyümölcs közvetlen környezete, vagy akár a teljes terményhalmaz is veszélybe kerülhet, hiszen a romláshoz vezető biológiai folyamatok nem korlátozódnak a károsodott terményegyedre. Az ismétlődő hatások esetében a statikus határtértékhez képest kisebb erő is elegendő a tönkremenetelhez, de a terhelés mellett az adott termény anyagi tulajdonságai, valamint a károsodás közben megfigyelhető energiamérleg is fontos szerepet játszik a mechanikai ellenállás meghatározásában. Munkánkban ennek megfelelően a választott terményeket leginkább jellemző anyagmodellekre, az ismételt terhelések során mért disszipált-energia mutatókra, valamint a tönkremeneteli idő definiálására és meghatározására építjük a tönkremeneteli folyamat leírását. A kísérletek során az Európai Unió almatermelésének legnagyobb arányú képviselője, a Golden Delicious alma, valamint a hosszú tárolhatóságú Packham körte kifáradási jellemzőit hasonlítjuk össze lineáris regressziós modellek felállításával.

2. Bevezetés

A termények szortírozásánál nem csupán a méret és az alak, de az esetleges sérülés kiterjedése, vagy sok esetben maga a károsodás ténye is a válogatás alapját képezi. Az automatizált gépi felismerés – amelyet legtöbb esetben spektrális képalkotási módszerekkel végeznek – napjainkban már hatékonyan különíti el a sérült terményszövetet az egészségestől, a technológia számára pedig a szabad szemmel nem látható, felszín alatti károsodások észlelése sem jelent akadályt [1, 2]. A megbízhatóság egyrészt a hardveres kialakításnak (vagyis a felhasznált eszközök pontosságának), másrészt az alkalmazott algoritmusoknak a függvénye [3]. A módszerrel a válogatáson túl olyan kamerás megfigyelést is alkalmaznak, amely a megfelelő szoftver segítségével a paradicsomok érési állapotát is figyelembe tudja venni, és amely a szedőrobotok teljesen automatizált működését teszi lehetővé [4].

Bár az eredményes felismeréssel a sérült termények könnyedén eltávolíthatók a feldolgozási láncból, a szűrés mellett azt a célkitűzést is szem előtt kell tartani, hogy a betakarítás és a szükséges kezelési folyamatok után minél több egészséges áru jusson el a vevőkhöz. Mivel a nemzetközi felmérések szerint a feldolgozás különböző fázisaiban keletkező veszteségek miatt a termények jelentős része már nem kerül a fogyasztók elé a piacon [5, 6, 7], a sérülések precíz feltárása mellett a megelőzésnek is kiemelten fontos szerepet kell kapnia. Ehhez a termények roncsolásos úton történő vizsgálatára és a tönkremeneteli folyamat közvetlen megfigyelésére is szükség van.

A különféle mezőgazdasági és kertészeti termények anyagi tulajdonságai viszkoelasztikus modellek segítségével írhatók le, amelyek részben rugalmas, részben pedig viszkózus alkotóelemekből állnak. A sorban vagy párhuzamosan kapcsolt alaptagokból összetett anyagi struktúrák is előállíthatók, a háromelemes rendszerek közül pedig a Poynting-Thomson modellt már korábbi kutatásokban is többször alkalmazták az almástermésűek jellemzéséhez [8, 9, 10]. A viszkoelasztikus rendszerek esetében a mechanikai kölcsön-hatások miatt létrejövő deformáció nem csupán az igénybevétel nagyságától, de a terhelés sebességétől is függ, a kúszás és a relaxáció pedig fontos részét képezi a terhelési és az alakváltozási folyamatnak: míg az előbbi esetében az állandó terhelés növekvő deformációt eredményez, addig az utóbbi jelenség során az állandó deformáció folyamatos feszültségcsökkenéssel jár [11].

Egy adott termény valamilyen mechanikai behatásra adott reakciója a terhelés-deformáció görbén jelenik meg, amely a kúszási és relaxációs paraméterek mellett a terhelési folyamatban keletkező összes energiamennyiségről is információt ad: a terhelési és tehermentesítési görbék által határolt terület egyéb szakterületeken is alapját képezi a disszipált energiaszámításoknak [12, 13], ez pedig szoros összefüggésben áll a vizsgált anyag viszkoelasztikus tulajdonságaival, valamint a termények esetében a mechanikai ellenállóképességgel és a sérülési hajlandósággal [14].

Azt a terhelési határértéket, amely a sejtszerkezetben bekövetkező mikroszkopikus károsodáshoz vezet – és amely a termény romlását is okozhatja - biológiai folyáshatárnak nevezzük. Bár biológiai anyagként a különböző termények a gyógyulásra, vagy akár a teljes regenerációra is képesek lehetnek, a feldolgozás során alkalmazott mechanikai hatásokat érdemes a biológiai folyáshatár alatt tartani. A határértéket ezen kívül a szabad szemmel is jól látható, nagyobb kiterjedésű károsodás is jelentheti, amelyet a szakirodalom töréspontnak nevez. Ilyen roncsolódás esetén a termény már nagy valószínűség szerint ténylegesen tönkremegy [15, 16]. A sérülési határértékek között általában jelentős szórás tapasztalható (teljesen azonos terhelőerő esetében is), amelyre az adott termény érési állapota, valamint a tárolás és feldolgozás közben biztosított körülmények is hatást gyakorolnak.

A nem megfelelő kezelésből adódó ütközések mellett a sérülések zömét a szállítás során kialakuló rezgések okozzák. A sérüléssel végződő folyamatok roncsolásos vizsgálatokkal történő megfigyelése sajnos kiesik napjaink kutatási irányvonalaiból, pedig az ismételt terhelés hatására kialakuló kifáradási jelenség feltérképezése a gyümölcsöknél is elengedhetetlen [17].

A szállítási szimulációk során a legnagyobb károsodást előidéző frekvenciákat már egybehangzóan kimutatták [18, 19, 20], az ismétlődő terhelésekkel végzett roncsolásos vizsgálatoknál a tapasztalatok alapján így a 10 Hz alatti frekvenciatartományt érdemes beállítani.

A zöldségek és a gyümölcsök egy-egy mechanikai tulajdonságának leírásához gyakran alkalmaznak több-változós regressziós modelleket, amelyek a különböző vizsgálati paraméterek figyelembevételével készülnek [21, 22]. Kutatásunk célja a termények esetében kevésbé tárgyalt kifáradási jelenség tanulmányozása, vala-mint a sérülési határértékek (biológiai folyáshatár vagy töréspont), és az ezzel összefüggésben álló tényezők (energiamérleg, anyagtulajdonságok) közötti összefüggés meghatározása. A cél egy sérülési határértékre vonatkozó lineáris egyenlet felállítása, amelyet az ismétlődő nyomóterhelés során mérhető paraméterek figyelembevételével határozunk meg.

3. Anyag és módszer

3.1. Mérőeszköz és a gyümölcsök rögzítése

A roncsolásos vizsgálatokat a DyMaTest nevű berendezéssel végeztük, amelyet a NAIK Mezőgazdasági Gépesítési Intézet bocsátott a rendelkezésünkre. Az eszköz egy hengeres (lapos felszínű) nyomócsappal terheli a gyümölcsöket, a nyomóerő pedig tetszőlegesen beállítható a készülékhez fejlesztett szoftveres kezelőfelületen [23]. A termény deformációja a mérőcsap elmozdulását érzékelő lézeres szenzorral, az erő pedig a műszerhez kialakított speciális mérőcellával regisztrálható. A vizsgálatok egy szinuszos nyomóerő beállítását követően a gyümölcsök tönkremeneteli határáig történnek.

A terményeket a mérések lebonyolításához egy homokágyban rögzítettük. Annak ellenőrzéséhez, hogy az alkalmazott homok kúszása nem befolyásolja a gyümölcsöknél kapott eredményeket, kontroll méréseket végeztünk, ehhez pedig egy teljesen rugalmatlan, 32 mm átmérőjű csapágygolyót alkalmaztunk. A nyomóterhelések során a fotoelektromos érzékelő mérési tartományában nem volt kimutatható elmozdulás, ezért a homok alakváltozása a gyümölcsök terhelési görbéin egyáltalán nem jelenik meg. A vizsgálatok előtt a homok előkészítése nedvesítési, szitálási és tömörítési műveletekből állt [24].

3.2. A termények alakváltozási görbéi

Az ismétlődő terhelésekkel végzett vizsgálatokhoz egy ciklikus jelalakot alkalmaztunk, amely az alábbi függvénnyel jellemezhető:

Fm = Fmax(1-cos(ωt))

ahol Fmax a periodikus terhelési függvény csúcsértéke [N], ω pedig a terhelés szögsebessége [s-1].

A periodikus terhelés hatására a keletkező deformáció szintén periodikus. Az 1.a ábrán egy Golden alma deformációjának időfüggvénye látható, a 3.b ábrán pedig az erő-deformáció görbéje. A Packham körtéknél tapasztalható tipikus deformációs görbéket a 3.c és 3.d ábra mutatja.

Az állandó amplitúdójú ciklikus terhelés hatására az alakváltozás folyamatosan módosul, ezt pedig a burkológörbék (vagy a középérték) növekedésén vehetjük észre. Mivel ezek a burkológörbék hasonlóan növekednek, mint a statikus terheléskor megfigyelhető kúszási görbék, ezt a folyamatot dinamikus kúszásnak nevezik [25].

A ciklikus terhelésre adott válaszfüggvény a

Wm = β+Wmax(1-cos(ωt-δ))

egyenlettel írható le, ahol w a deformáció [mm], β a kúszási tag, wmax a periodikus alakváltozási függvény csúcsértéke [mm], ω a szögsebesség [s-1], δ pedig a terhelés és az alakváltozás időfüggvényei közötti fáziseltolódás.

A kúszás jellemzéséhez (jelen esetben a β megadásához) a szakirodalom általában lineáris közelítést alkalmaz. Bár a kúszás jelentős szakaszához ez a közelítés a legtöbb esetben megfelelő lehet, a görbe kezdete és tönkremeneteli szakasza már nem linearizálható, így a módszer a teljes kúszási folyamatot tekintve pontatlanságokat hordoz. Ennek elkerülése érdekében az alakváltozást érintő adatkezelési folyamatokban olyan numerikus megoldásokat alkalmaztunk, amelyben a műveleteket nem közelítéssel, hanem az adatsorok közvetlen feldolgozásával végeztük.

Az 1. ábrán látható görbék esetében a gyümölcsök tönkremeneteli határértékét – jelen esetben a töréspontot – már meghatároztuk, a diagramokról pedig az ezt követő adatokat eltávolítottuk. Az így kapott görbék elemzésével már ténylegesen a tönkremenetelig bekövetkező energiaviszonyokról, valamint az eddig tapasztalható anyagtulajdonságokról kapunk információkat.

Mivel a töréspont sok esetben – főleg a gyorsan lezajló terheléseknél, és az ezzel együtt meredeken változó alakváltozási folyamatoknál – nem vehető ki tisztán a diagramok elemzésénél, a pontos meghatározást nagy képkockasebességű videós megfigyeléssel végeztük (2. ábra). Az alkalmazott kamera másodpercenként 240 képkockát rögzített, a keresett töréspontot pedig a tönkremeneteli szakasz első képkockája jelenti, amikor a mérőcsap jól láthatóan kilép a kúszási fázis során lassan növekedő deformációs tartományból, és a héjat átszakítva egy kívülről is jól látható károsodást okoz a termény szövetében. Ilyenkor a héj és a gyümölcshús egyaránt károsodik, az anyagi viselkedést így nem egy homogén összetételű struktúra, hanem egy „szerkezet” modellezésével közelítettük.

1. ábra. Golden delicious alma deformációjának időfüggvénye (a) és erő-deformáció függvénye (b), valamint egy Packham körte deformációjának időfüggvénye (c) és erő-deformáció függvénye (d)
2. ábra. Töréspont meghatározása nagy képkockasebességű felvétel elemzésével

A DyMaTest mintavételi frekvenciája 2 kHz, ami 8,3-szor nagyobb, mint a töréspontról készített videó-felvételek esetében. A képkockaelemzés abszolút hibája az anyagvizsgáló berendezéssel gyűjtött adatokhoz képest 4,16 milliszekundum – ami a kamera legkisebb felbontási egysége. A 2.b ábra a törésponthoz tartozó hibasávot szemlélteti. A töréspontot, mint vizsgálati paramétert a továbbiakban a TTF jelöléssel tüntetjük fel, ami a time to failure (azaz a sérülésig eltelt időtartam) kifejezésre utal.

3.3 Viszkoelasztikus anyagtulajdonságok

A gyümölcsök anyagtulajdonságainak a meghatározásához a háromelemes Poynting-Thomson modellt használtuk, amelyet almák esetében már korábbi kutatásokban is alkalmaztak. A modell kapcsolása a 3. ábrán látható, ami az alábbi egyenlettel jellemezhető:

ahol E1 és E2 a mechanikai modell rugalmas komponensei [N mm-1], ƞ pedig a viszkózus elem [Ns mm-1]. Fm a mérések során rögzített nyomóerő [N], wm pedig a mérések során kapott deformáció [mm].

3. ábra. Számítógépes matematikai modell identifikációja

Az egyenlet blokkorientált felírását Matlab Simulink környezetben végeztük, ahol a modellt a mérések során kapott erő és deformáció adatokkal identifikáltuk (3. ábra). A rugalmas és viszkózus együtthatók értékeit annál a számított görbénél (w) határoztuk meg, ami a legjobban illeszkedik a mért eredményekre (wm). A két adatsor közötti eltérés minimalizálásához olyan eljárást alkalmaztunk, amely a legkisebb négyzetek módszerén alapul:

A minimumkeresési folyamat futtatása után az E1, E2 és ƞ modellegyütthatókat rögzítettük, és vizsgálati paraméterként felhasználtuk. A bemutatott matematikai rendszerrel végzett közelítések R2 = 0,967 – 0,998 értékek között változtak.

3.4. A hiszterézis görbék elemzése

Az 1.b és 1.d, valamint a 4. ábrán látható erő-deformáció diagramokon olyan ismétlődő hiszterézis folyamatok figyelhetők meg, ahol a terhelési és tehermentesítési görbék által határolt terület szoros összefüggésben áll a termény adott ciklusra jellemző energiamutatóival. A vízszintes tengelyen látható, hogy a görbe a tehermentesítés után nem záródik, így az anyagban a következő nyomóterhelésig minden ciklusban egy wM maradó alakváltozás keletkezik, az adott termény wR rugalmas alakváltozása pedig a terhelési csúcspont és a maradó alakváltozás közötti különbségből adódik (a kettő összege így az alakváltozás teljes nagyságát adja az adott ciklusban).

4. ábra. Egy terhelési ciklus erő-deformáció görbéje (a), a termény erő-deformáció görbéje a tönkremenetelig egy Golden Delicious alma esetében (b)

Ha a görbék közötti területeket vizsgáljuk, a rugalmas alakváltozáshoz tartozó energiát (ER) a teljes munkából (E) kivonva a ciklus disszipált energiáját kapjuk (ED). Ez az energiaveszteség a görbék közötti terület meghatározásával számítható:

ahol twM a terhelési folyamat kezdete és a tehermentesítés vége között eltelt idő [s], F pedig a vizsgálóberendezéssel előállított terhelési függvény [N].

Mivel a területszámítást az erő- és deformáció-adatok idő szerinti numerikus integrálásával végeztük, a korábban említett közelítő függvények, és az ezekkel együtt járó pontatlanságok elkerülhetők.

Bár az energiaveszteségek számítása több kutatásban hozzátartozik a sérülési mechanizmus leírásához, a hiszterézis görbéből meghatározható disszipált energiának csak egy része kötődik az anyag károsodásához és a tönkremeneteli folyamathoz [13]. Más szakterületeken, például az útburkolati aszfaltrétegek reológiai leírásánál olyan számítási módszereket is kidolgoztak, amelyek a disszipált-energia adatokat felhasználva közvetlenül mutatnak rá a tönkremenetel pillanatára. Ezek közé tartozik az ún. disszipált energia hányados, amely a következő összefüggéssel számítható [26]:

ahol EDi az adott ciklusig összegzett energiaveszteség [N mm], EDn pedig az adott ciklus energiavesztesége [N mm].

Amikor a disszipált energiahányadost a ciklusszám függvényében ábrázolják (5. ábra), akkor az két károsodási mutatóra is utalhat: az adott aszfalt repedésképződési folyamatának a kezdetét a görbe felfutási meredek-ségének 10%-os zuhanása jelzi, a csúcsponton látható törés pedig a kifáradásos tönkremenetelt [26].

A gyümölcsökön végrehajtott kísérleteink során az említett meredekség zuhanása a legtöbb esetben nem figyelhető meg ennyire egyértelműen, ami valószínűleg a gyors terhelési beállítások következménye. A belső töréspont viszont a saját eredményeinkben is egyértelműen megjelenik. Ezt az adatot a töréspontig eltelt idő és a viszkoelasztikus modellegyütthatók mellett szintén felhasználjuk a károsodási folyamatot leíró egyenletek felállításához.

5. ábra. A kifáradásra utaló belső töréspont a disszipált energiákból képzett hányados alapján egy Golden Delicious (a) és egy Packham (b) termény esetén

3.5. Vizsgálati paraméterek, terhelési beállítások

Célunk, hogy a sérülési folyamattal összefüggésben álló paraméterek felhasználásával a töréspontig eltelt időtartamot írjuk le (TTF), ami a kapott egyenletek függő változója lesz. A tönkremenetel jellemzésénél lineáris regressziós egyenletek felállítására törekszünk.

A nyomóterheléseket 25 db Golden Delicious almán és 25 db Packham körtén hajtottuk végre (a méréssorozat ismétlési száma terményenként tehát 25), minden gyümölcsön hat különböző mérési frekvenciát állítottunk be. Ezek a frekvenciák a szállítással foglalkozó kutatások legveszélyesebbnek ítélt tartományába, a főleg 10 Hz alatti sávba esnek, a műszerünk beállítási lehetőségeihez mérten ezek 2,5, 3,7, 5, 7,5, 10 és 11,6 Hz voltak. Így összesen 300 nyomóterhelés történt, a terhelések során kapott erő, deformáció- és időadatokból pedig a fent részletezett módszerekkel minden esetben meghatároztuk az anyagmodell E1, E2 és η együtthatóit, a TTF tönkremeneteli időt, valamint az EDRmax belső károsodási mutatót. Ezek mellett azt is figyelembe vettük, hogy a vizsgálati frekvenciák befolyásolják-e a folyamatot.

A Golden és Packham termények eltérő terhelési ellenállása miatt különböző nyomóerők beállítására volt szükség: a Packham körték esetében a vizsgált frekvenciatartomány bizonyos értékeinél már az első ciklusok némelyikében megtörtént a tönkremenetel, a Golden almák viszont sokkal ellenállóbbak voltak, ezért a későbbiekben részletezésre kerülő károsodási idők és disszipált energiaértékek összehasonlíthatóságát figyelembe véve a körtéket 4 N-nal, az almákat pedig 14 N-nal terheltük. A gyakorlatban ez azt jelenti, hogy a 4 N erőnél nagyobb beállításoknál – a vizsgált frekvenciaértékek többségénél – a körték anyagában azonnali roncsolódás jönne létre, 14 N alatt pedig nagyságrendekkel hosszabb terhelési folyamatot kéne futtatni az almák látható károsításához.

Eredmények

4.1. Tönkremeneteli időtartamok és a belső károsodásra utaló energiamutatók

A töréspontig eltelt időtartamok egyes frekvenciabeállításokhoz tartozó átlag- és szórásértékeit az 1. táblázat tartalmazza. A 6.a ábrán a Golden almák átlagértékeiből készített grafikon látható, a Packham körték esetében pedig a 6.b ábrán tekinthetők meg az ábrázolt eredmények. Az almák esetében a töréspont bekövetkezése a várakozásoknak megfelelően alakult, vagyis a nagyobb frekvenciákon hamarabb következett be a visszafordíthatatlan károsodás, a körtéknél kapott átlagértékek tekintetében ehhez képest viszont változás tapasztalható, ugyanis az 5 Hz feletti beállításoknál egy növekvő tendencia kezdődik a tönkremeneteli idő tekintetében.

1. táblázat. A töréspontig eltelt időtartam átlagai és az eredmények szórása

A Golden termények esetében az alacsonyabb frekvenciabeállításoknál nagyobb szórásmezőkkel találkozunk, a magasabb frekvenciákon viszont a hibasávok szélsőértékei már közelebb kerülnek az átlaghoz. A szórásmezők végpontjai a Golden almáknál még hasonló trendet mutatnak az átlag frekvenciafüggéséhez, a körték esetében azonban szórásmezők minimumértékei már nem reprezentálják az átlagértékek változását, a körtéknél tehát eltérőbb karakterisztikák tapasztalhatók a 25 mérés között.

6. ábra. A töréspontig eltelt időtartamok frekvenciafüggése Golden Delicious almák (a) és Packham körték (b) esetében

Mivel a szórás az almák és körték esetében is elég jelentős (1. táblázat), a vizsgálatnál figyelembe vett további paraméterek (a viszkoelasztikus modellegyütthatók, valamint az energiamutatók) szerepe kiemelten fontos, amikor a károsodási folyamatra gyakorolt hatásukat vesszük figyelembe a tönkremeneteli idő leírása során.

A 7. ábra a disszipált energiából számított energiaveszteségi hányados csúcsértékeit mutatja, a 25-25 terményhez tartozó eredményeket szintén átlagoltuk az egyes frekvenciabeállításokhoz tartozóan.

A vizsgált Golden almák esetében a ciklusonként rögzített energiaveszteségi értékek, valamint a belső törésre utaló maximális hányadosértékek a magasabb frekvenciabeállítások felé haladva csökkenő tendencia szerint változnak, a körtéknél ez a folyamat viszont fordítottan jelenik meg. Ezzel együtt a frekvenciafüggést jellemző trend is más jelleget ölt.

7. ábra. A halmozódó disszipált energiák átlagértékeinek frekvenciafüggése

4.2. Viszkoelasztikus modellparaméterek kiértékelése

A termények rugalmas (E1' E2) és viszkózus (ƞ) anyagtulajdonságainak frekvenciafüggését a 8. ábra mutatja be, ahol a méréssorozat értékeit az egyes frekvenciabeállításoknál átlagolva jelenítjük meg. A számszerű eredményeket a 2. táblázat és a 3. táblázat foglalja össze.

2. táblázat. Viszkoelasztikus modellparaméterek átlagértékei és szórások az egyes terhelési frekvenciákon Golden Delicious almák esetében
3. táblázat. Viszkoelasztikus modellparaméterek átlagértékei és szórások az egyes terhelési frekvenciákon Packham körték esetében
8. ábra. Rugalmas és viszkózus modellparaméterek átlagai Golden almák (a, c) és Packham körték (b, d) esetében

A rugalmas együtthatók a Golden almák esetében nem mutatnak szembetűnő frekvenciafüggést, az E1 paraméterek esetében enyhe csökkenés fedezhető fel, amikor magasabb vizsgálati frekvenciákat használunk. Korábbi kísérletekben a nagyobb sebességű terhelés során az almák általában merevebben viselkednek [25]: ha a nagyobb terhelési sebességnek jelen esetben a nagyobb frekvencia felel meg, akkor ez a reakció egybevág a régebbi tapasztalatokkal.

A körték esetében azonban egyértelmű a növekedés, amikor az E1 komponenst vizsgáljuk, ez az eredmény pedig magyarázatot adhat a tönkremeneteli időtartamok esetében kapott adatokra: a vizsgált körtéknél az 5 Hz feletti frekvenciákon egy rugalmasabb, puhább felület keletkezik a terhelési zóna közelében, a megnövekedett rugalmasság pedig kedvezőbb mechanikai ellenállást biztosít a termények számára. A legveszélyesebb frekvenciatartományban így nem feltétlenül a magasabb értékek hordozzák a legjelentősebb károsodási potenciált. Az E2 rugalmas együttható a vizsgált tartományban a Golden és Packham termények esetében is állandó.

A viszkózus paramétereket ábrázolva a Golden és a Packham terményeknél is egyértelmű frekvenciafüggést kaptunk. Az almáknál kapott görbe hasonlóságot mutat egy korábbi kutatásban prezentált dinamikus viszkozitási tényező frekvenciafüggéséhez [27], a körtéknél pedig szintén az 5 Hz körüli frekvencia töri meg az addigi csökkenő tendenciát – ez szintén összefüggésben állhat a tönkremeneteli időtartamok frekvenciagörbéjénél tapasztalt törésponttal.

A szórásokat megjelenítő hibasávok a körték esetében nagyobbak, az adatokat a 2,5 Hz-es beállításánál rögzítettük a legszélesebb szórástartományban. Ennek egyik oka, hogy ennél a beállításnál több körte már az első ciklus első felterhelési szakaszában azonnal tönkrement.

4. táblázat. Viszkoelasztikus modellparaméterek varianciaanalízise

A frekvenciafüggés mértékét varianciaanalízis (ANOVA - Analysis of Variance) segítségével ellenőriztük, az eredményeket a 4. táblázat foglalja össze. A Golden almák esetében kizárólag az η együtthatónál fedezhető fel szignifikáns összefüggés (p<0,05), ez pedig megerősíti a diagramok alapján levonható következtetést, amit az E1 és E2 együtthatók esetében tettünk: a rugalmas elemek és a frekvencia a vizsgált tartományban nem állnak kimutatható összefüggésben. A Packham körték esetében viszont az η mellett az E1 rugalmas együttható frekvenciafüggése is kimutatható, ami jelentős szerepet játszik az 5 Hz felett tapasztalt mechanikai ellenállásban.

4.3. Lineáris tönkremeneteli modellek

A bemutatott vizsgálatok eredményeit, valamint a terhelési frekvenciák értékeit felhasználva a Golden Delicious almák esetében négy különböző tönkremeneteli modell lehetősége vetődik fel, a következő keresőfüggvény szerint:

TTF = A+Bη+CEDRmax+Df+KE1+JE2'

ahol A, B, C, D, K és E konstansok. Az egyes változatokat az 5. táblázat ismerteti. Ezek között a termények rugalmas és viszkózus anyagtulajdonságai, valamint a disszipált energia csúcsértéke is rendre megjelenik, a frekvenciabeállítások azonban nem.

5. táblázat. A mért paraméterekből létrehozható lineáris modellek Golden almák esetében

(a) változók: η
(b) változók: η, EDRmax
(c) változók: η, EDRmax, E1
(d) változók: η, EDRmax, E1, E2

A modellparamétereket bemutató görbéken, valamint a varianciaanalízis nyomán az elasztikus együtthatók nem álltak szignifikáns összefüggésben a frekvenciával, a Golden almák rugalmassága azonban egyértelmű hatást gyakorol a tönkremeneteli folyamatra, kimutatható növekedést eredményezve. Míg az E1 rugalmas együttható meghatározó része az egyenletnek, az E2 csupán elhanyagolható mértékben ad hozzá az illeszkedés pontosságához, ezért a Golden almák tönkremenetelének legegyszerűbb leírásához a harmadik egyenletet választottuk:

TFF = 0,533+2,736η+0,141EDRmax-0,261E1

A Packham körtékre alkalmazható modelleket a 6. táblázat foglalja össze. Ezekben a változatokban már a terhelési frekvencia is megjelenik, ami ezúttal fontos szerepet játszik a tönkremeneteli idő leírásában.

6. táblázat. A mért paraméterekből létrehozható lineáris modellek Packham körték esetében

(a) változók: EDRmax
(b) változók: EDRmax' η
(c) változók: EDRmax' η, f
(d) változók: EDRmax' η, f, E2

Bár az E1 paraméter a frekvenciával összefüggésbe került, a tönkremenetelt mégsem ez az együttható befolyásolja, hanem a viszkózus komponenssel párhuzamosan kapcsolt E2. Mivel a frekvencia, valamint az E2 rugalmas tényező jelentősen hozzájárul a lineáris közelítés pontosságához, így a Packham körték esetében a negyedik egyenletet írjuk fel:

TTD = 0-091+0,788η+0,085EDRmax-0,103f+1,524E2.

Az egyenletek érvényességét ellenőrző varianciaanalízis eredményeit a 7. táblázat tartalmazza. Mivel a kapott F értékek szignifikánsnak minősülnek (p<0,05), a felírt közelítések érvényesek.

7. táblázat. Közelítő egyenletek varianciaanalízise

A létrehozott modellek behelyettesítés utáni törésponti eredményeit (TTFsz), valamint a mért eredmények (TTFm) kapcsolatát a 9. ábra mutatja be a teljes vizsgálati tartományban. A Golden Delicious almáknál alkalmazott közelítés frekvenciánként átlagolt eredményei az 1,54% és 3,85% relatív hiba közé esnek, a terményenként átlagolt eredmények pedig 1,01% és 31,13% között alakulnak. A Packham körtéknél az egyes frekvenciabeállításoknál kapott eredményeket átlagolva a relatív hibák 2,42 és 6,22% közé esnek, a terményegyedenként számított értékek eltérései pedig 0,04% és 34,51% között alakulnak a mért tönkremeneteli időtartammal összehasonlítva. A jelentősebb hibaértékek nem az adott frekvenciabeállításokhoz, hanem az egyes termények eltérő mechanikai ellenállóképességéhez és anyagtulajdonságaihoz kötődnek.

9. ábra. Mért és számított tönkremeneteli időtartamok kapcsolata Golden Delicious almák (a) és Packham körték (b) esetében az összes mérési eredményt kiértékelve

5. Következtetések

Az ismétlődő terhelés a gyümölcsök feldolgozási és szállítási folyamataiban jelentős mértékű károsodást okoz, munkánkban ezért a kifáradás okozta tönkremenetelt vizsgáltuk, ennek érdekében pedig olyan többváltozós lineáris regressziós modelleket dolgoztunk ki, amelyek a tönkremeneteli folyamathoz kötődő legfontosabb anyagtulajdonságokra és energiamutatókra utaló paraméterekre támaszkodnak, és amelyek a vizsgált almástermésűek (Golden Delicious almák és Packham körték) sérülési ellenállására adnak előrejelzést.

A tönkremenetelt jelző töréspont bizonyos esetekben nem értékelhető ki a mérések során kapott deformációs adatokból, ilyenkor a gyorsfilmezéssel és képkocka-elemzéssel megállapított határérték nyújthat segítséget a vizsgálatok során. Ennek pontossága az alkalmazott kamerák képkockafrissítésén múlik, ez pedig a képfelbontással együtt a mobileszközökben is folyamatosan fejlődik, így ezek az eszközök a hasonló jellegű méréstechnikai feladatokhoz is alkalmassá válnak. Használatuk a gyümölcsök alakváltozásának figyelésében már napjainkban sem példa nélküli.

Az energiaszámításokon alapuló belső károsodás megfigyelése új kutatási irányokat jelenthet a gyümölcssérülések vizsgálatában, hiszen a feldolgozási folyamatokban fellépő környezeti hatásokat ennek függvényében kell kezelni (megfogási, ejtési és rezgési határértékek korlátozása vagy módosítása). A jelenség pontos definiálása azonban a sejtszerkezetben létrejövő károsodási folyamat részletesebb leírása érdekében még mikroszintű vizsgálatra és megerősítésre vár.

6. Köszönetnyilvánítás

A DyMaTest anyagvizsgáló berendezés biztosítása miatt a szerzők köszönetüket fejezik a NAIK Mezőgazdasági Gépesítési Intézet felé. Köszönjük továbbá Dr. Földi Lászlónak a számítógépes modellezésben, valamint Dr. Székely Lászlónak a többváltozós egyenletek felállításában nyújtott segítségét.

7. Irodalom

[1] Che, W., Sun, L., Zhang, Q., Tan, W., Ye, D., Zhang, D., Liu, Y. (2018): Pixel based bruise region extraction of apple using Vis-NIR hyperspectral imaging. Computers and Electronics in Agriculture 146, pp. 12-21.
https://doi.org/10.1016/j.compag.2018.01.013

[2] Tan, W., Sun, L., Yang, F., Che, W., Ye, D., Zhang, D., Zou, B. (2018): Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM. Optik 154, pp. 581-592.
https://doi.org/10.1016/j.ijleo.2017.10.090

[3] Gergely, Z., Beke, J. (2015): Az osztályozási hibák csökkentésének lehetőségei a HPV-I sorozatú paprikaválogató gépeken, Mezőgazdasági Technika 2015/11, pp. 2-4.

[4] Malik, M., Zhang, T., Li, H., Zhang, M., Shabbir, S., Saeed, A. (2018): Mature Tomato Fruit Detection Algorithm Based on improved HSV and Watershed Algorithm. IFAC-PapersOnLine 51 (17) pp. 431-436.
https://doi.org/10.1016/j.ifacol.2018.08.183

[5] FAO, (2011): Global Food Losses and Waste. Extent, Causes and Prevention.
http://www.fao.org/docrep/014/mb060e/mb060e00.pdf (Hozzáférés / Aquired: 12.08.2020)

[6] NRDC, (2012): Wasted: How America is losing up to 40 percent of its food from farm to fork. NRDC Issue PAPER.
https://www.nrdc.org/sites/default/files/wasted-food-IP.pdf (Hozzáférés / Aquired: 12.08.2020)

[7] Yahia, E. M., Fonseca, J. M., Kitinoja, L. (2019): Postharvest Losses and Waste. p. 43. In: Yahia, E. M, Postharvest Technology of Perishable Horticultural Commodities. Woodhead Publishing.
https://doi.org/10.1016/B978-0-12-813276-0.00002-X

[8] Morrow, C., Mohsenin, N. (1966): Consideration of Selected Agricultural Products as Viscoelastic Materials. Journal of Food Science 31 (5) pp. 686-698.
https://doi.org/10.1111/j.1365-2621.1966.tb01925.x

[9] Tscheuschner, H., Doan, D. (1988): Modelling of mechanical properties of apple flesh under compressive load. Journal of Food Engineering 8 (3) pp. 173-186.
https://doi.org/10.1016/0260-8774(88)90052-0

[10] Fenyvesi, L. (2004): Mezőgazdasági termények sérülésvizsgálata. Akadémiai Kiadó, Budapest.

[11] Szendrő, P. (2000): Mezőgazdasági Gépszerkezettan. Mezőgazdasági Szaktudás Kiadó, Budapest.

[12] Kim, J., Roque, R., Birgisson, B. (2006): Interpreting Dissipated Energy from Complex Modulus Data. Road Materials and Pavement Design 7 (2) pp. 223-245.
https://doi.org/10.1080/14680629.2006.9690034

[13] Ghuzlan, K., Carpenter, S. (2000): Energy-Derived, Damage-Based Failure Criterion for Fatigue Testing. Transportation Research Record: Journal of the Transportation Research Board 1723 (1) pp. 141-149.
https://doi.org/10.3141/1723-18

[14] Lee, J., Tan, J., Waluyo, S. (2016): Hysteresis characteristics and relationships with the viscoelastic parameters of apples. Engineering in Agriculture, Environment and Food 9 (1) pp. 36-42.
https://doi.org/10.1016/j.eaef.2015.09.005

[15] Mohsenin, N. (1986): Physical properties of plant and animal materials. Gordon and Breach Science Publishers, Amsterdam.

[16] Sitkei, Gy. (1981): A mezőgazdasági anyagok mechanikája. Akadémiai Kiadó, Budapest.

[17] Li, Z., Miao, F., Andrews, J. (2017): Mechanical Models of Compression and Impact on Fresh Fruits. Comprehensive Reviews in Food Science and Food Safety 16 (6) pp. 1296-1312.
https://doi.org/10.1111/1541-4337.12296

[18] Fischer, D., Craig, W. L., Watada, A. E., Douglas, W., Ashby, B. H. (1992): Simulated In-Transit Vibration Damage to Packaged Fresh Market Grapes and Strawberries. Applied Engineering in Agriculture 8 (3) pp. 363-366.
https://doi.org/10.13031/2013.26078

[19] Hinsch, R. T., Slaughter, D. C., Craig, W. L., Thompson, J. F. (1993): Vibration of Fresh Fruits and Vegetables During Refrigerated Truck Transport. Transactions of the ASAE 36 (4) pp. 1039-1042.
https://doi.org/10.13031/2013.28431

[20] Vursavuş, K., Özgüven, F. (2004): Determining the Effects of Vibration Parameters and Packaging Method on Mechanical Damage in Golden Delicious Apples. Turkish Journal Of Agriculture And Forestry 28 (5) pp. 311-320.

[21] Oveisi, Z., Minaei, S., Rafiee, S., Eyvani, A., Borghei, A. (2012): Application of vibration response technique for the firmness evaluation of pear fruit during storage. Journal of Food Science and Technology 51 (11) pp. 3261-3268.
https://doi.org/10.1007/s13197-012-0811-z

[22] Vursavus K., Kesilmis Z., Oztekin B. (2017): Nondestructive dropped fruit impact test for assessing tomato firmness. Chemical Engineering Transactions 58, pp. 325-330.

[23] Petróczki, K., Fenyvesi, L. (2014): Improvement of compressive testing instrument with wide range of speed for examining agricultural materials. Computers and Electronics in Agriculture 101, pp. 42-47.
https://doi.org/10.1016/j.compag.2013.12.003

[24] Pillinger, G., Géczy, A., Hudoba, Z., Kiss, P. (2018): Determination of soil density by cone index data. Journal of Terramechanics 77, pp. 69-74.
https://doi.org/10.1016/j.jterra.2018.03.003

[25] Fenyvesi, L. (2004): Mezőgazdasági termények sérülésvizsgálata. Akadémiai Kiadó, Budapest.

[26] Delgadillo, R., Bahia, H. (2005): Rational fatigue limits for asphalt binders derived from pavement analysis. Asphalt paving thechnology: Journal of the association of asphalt paving technologics 74, pp. 1-42.

[27] Van Zeebroeck, M., Dintwa, E., Tijskens, E., Deli, V., Loodts, J., De Baerdemaeker, J., Ramon, H. (2004): Determining tangential contact force model parameters for viscoelastic materials (apples) using a rheometer. Postharvest Biology and Technology 33 (2) pp. 111-125.
https://doi.org/10.1016/j.postharvbio.2004.02.008

Tovább a cikk olvasásához


Legfrissebb szám



Támogató és együttműködő partnereink

TÉMAKERESÉS