SỰ BIẾN ĐỔI VÀ MỐI TƯƠNG QUAN CỦA pH VÀ MÀU SẮC Ở LÁ VÀ THÂN Ocimum tenuiflorum DẠNG TƯƠI VÀ KHÔ

Đinh Hoàng Lan Chi; Võ Thị Anh Thư; Nguyễn Minh Thiện

doi:10.34238/tnu-jst.15479

SỰ BIẾN ĐỔI VÀ MỐI TƯƠNG QUAN CỦA pH VÀ MÀU SẮC Ở LÁ VÀ THÂN Ocimum tenuiflorum DẠNG TƯƠI VÀ KHÔ

Thông tin bài báo

Ngày nhận bài: 18/04/26 Ngày hoàn thiện: 24/06/26 Ngày đăng: 24/06/26

Các tác giả

1. Đinh Hoàng Lan Chi , Trường Đại học Kỹ thuật - Công nghệ Cần Thơ
2. Võ Thị Anh Thư, Trường Đại học Kỹ thuật - Công nghệ Cần Thơ
3. Nguyễn Minh Thiện, Trường Đại học Kỹ thuật - Công nghệ Cần Thơ

Tóm tắt

Là loài thảo dược quý trên thế giới, Ocimum tenuiflorum L. (Lamiaceae) được gọi là “Hương nhu” tại Việt Nam. Nghiên cứu này nhằm khảo sát mối quan hệ giữa đặc điểm màu sắc và pH trong lá và thân của O. tenuiflorum ở dạng tươi và bột khô. Các mẫu tươi được sấy đối lưu ở 50°C trong 8 giờ và sau đó được nghiền thành bột. Các thông số màu (L*, a*, b*) và pH được phân tích trên các nhóm mẫu khác nhau, bao gồm sự khác biệt về màu sắc của lá và thân. Việc đo màu được thực hiện trên cả bề mặt trên và bề mặt dưới của lá, cũng như trên các phần thân tương ứng. Kết quả cho thấy giá trị pH dao động từ 6,17 đến 6,50. Các mẫu khô có độ sáng (L*) cao hơn so với mẫu tươi, đồng thời pH giảm khoảng 0,1–0,3 đơn vị, cho thấy sự gia tăng nhẹ về tính axit sau quá trình sấy. Ở mẫu tươi, pH có tương quan thuận với a* và b*, trong khi ở mẫu khô, pH có tương quan nghịch với L*. Các phát hiện này khẳng định mối liên hệ giữa các đặc tính màu sắc và sự biến thiên pH, đây cũng là cơ sở để khai thác chúng như chỉ thị để đánh giá sự thay đổi chất lượng trong quá trình chế biến Ocimum tenuiflorum.

Từ khóa

Ocimum tenuiflorum L.; Hương nhu; Màu sắc; pH; Sấy

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] L. Nadav and M. Eli, Radar Signals, 1^st ed. Wiley-IEEE Press, New York, USA, 2004.

[2] M. Skolnik, Introduction to Radar Systems, 3^rd ed. McGraw-Hill Education, Ohio, USA, 2004.

[3] L. V. Trees, K. L. Bell, and Z. Tian, Detection Estimation and Modulation Theory, Part I: Detection, Estimation and Filtering Theory, 2^nd ed. Wiley-IEEE Press, New York, USA, 2001.

[4] C. Leon, Time-Frequency Analysis, 1^st ed. Prentice Hall, New Jersey, 1995.

[5] S. Metuku and S. R. Karkarla, “Time-frequency Analysis of LPI Radar Signals Using Modified
S-Transform,” International Journal of Electronic Engineering Research, vol. 9, no. 8, pp. 1267-1283, 2017.

[6] X. Fan, B. Liu, D. Dong, and Y. Chen, “Blind Radar Signal Seperation Alogrithm Based on Third-Order Degree of Cyclostationary Criteria,” Journal of System Engineering and Electronics, vol. 35, no. 6, pp. 1441-1453, 2024, doi: 10.23919/JSEE.2024.000117.

[7] A. Napolitano, Cyclostationary Processes and Time Series, 1^st ed. Academic Press, Napoli, Italy, 2019.

[8] T. K. Pal, “Artificial Intelligence based Radar Technology: Current Advancements, Future Directions and Challenges,” in 2025 IEEE Space, Aerospace and Defence Conference (SPACE), Bangalore, India, 2025, pp. 1-6, doi: 10.1109/SPACE65882.2025.11171388.

[9] W. Feng, X. Hu, and X. He, “Artificial Intelligence (AI)-Based Radar Signal Processing and Radar Imaging,” Electronics, vol. 13, 2024, doi: 10.3390/electronics13214251.

[10] L. Bangrui, “Advances in Radar Signal Processing: Integrating Deep Learning Approaches,” Highlights in Science, Engineering and Technology, vol. 97, pp. 40-45, 2024, doi: 10.54097/82nbts92.

[11] K. Cheikh and S. Faozi, “Application of neural networks to radar signal detection in K-distributed clutter,” First International Symposium on Control, Communications and Signal Processing, Hammamet, Tunisia, 2004, pp. 295-298, doi: 10.1109/ISCCSP.2004.1296282.

[12] C. Long, M. Xiaochuan, X. Qi, L. Bin, and R. Shiwei, “Performance Analysis of Some New CFAR Detectors under Clutter,” Journal of Computers, vol. 6, no. 6, pp. 1278-1285, 2011,
doi: 10.4304/jcp.6.6.1278-1285.

[13] X. Ni, H. Wang, Z. Xu, and C. Rong, “Polyphase Codes Radar Signal Recognition Based on STFT-SST and Deep Convolution Network,” Journal of Data acquisition and processing, vol. 35, no. 6, pp.1090-1096, 2020, doi: 0.16337/j.1004-9037.2020.06.008.

[14] J. Liang, Z. Luo, and R. Liao, “Intra-Pulse Modulation Recognition of Radar Signals Based on Efficient Cross-Scale Aware Network,” Sensors, vol. 24, 2024, doi: 10.3390/s24165344.

[15] J. Cai, F. Gan, X. Cao, W. Liu, and P. Li, “Radar Intra–Pulse Signal Modulation Classification with Contrastive Learning,” Remote Sens., vol. 14, 2022, doi: 10.3390/rs14225728.

[16] F. Ren, D. Quan, L. Shen, X. Wang, D. Zhang, and H. Liu, “LPI Radar Signal Recognition Based on Feature Enhancement with Deep Metric Learning,” Electronics, vol. 12, no. 24, 2023, doi: 10.3390/electronics12244934.

DOI: https://doi.org/10.34238/tnu-jst.15479

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ