Please use this identifier to cite or link to this item: http://cuir.car.chula.ac.th/handle/123456789/14431
Title: การทำนายจุลินทรีย์ทั้งหมดโคลิฟอร์มและ Escherichia coli ระหว่างการเตรียมและการจัดเก็บอาหารบริการประเภทสลัด
Other Titles: Prediction of total bacteria coliforms and Escherichia coli during preparation and storage of salad food service
Authors: อภินิหาร ผิวพรรณ
Advisors: สุวิมล กีรติพิบูล
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์
Advisor's Email: suwimon.k@chula.ac.th
Subjects: ความปลอดภัยของอาหาร
จุลินทรีย์ในอาหาร
สลัด
จุลินทรีย์
โคลิฟอร์ม
Issue Date: 2551
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: งานวิจัยนี้เป็นการศึกษาผลของสารฆ่าเชื้อ สองชนิด ได้แก่ คลอรีน และกรดเปอร์อะซิติก ต่อการอยู่รอดของจุลินทรีย์โดยรวม (Total plate count ; TPC) โคลิฟอร์ม (Coliforms) และ Escherichia coli ในผักสองชนิด (มะเขือเทศราชินี และ ผักกาดหอม) ซึ่งนิยมใช้เป็นผักสลัด และนำข้อมูลที่ได้มาสร้างแบบจำลองเพื่อทำนายการอยู่รอดของจุลินทรีย์ โดยใช้ระบบข่ายงานประสาทเทียม (Artificial Neural Networks; ANNs) ในขั้นแรกเติมจุลินทรีย์ (TPC Coliforms และ E. coli) ลงบนใบผักกาดและผลมะเขือเทศราชินี เพื่อให้เชื้อเริ่มต้นมีปริมาณใกล้เคียงกัน วางทิ้งให้แห้งในห้องสะอาดซึ่งควบคุมคุณภาพจุลินทรีย์ นำไปแช่ในสารฆ่าเชื้อ คลอรีนและกรดเปอร์อะซิติก โดยแปรความเข้มข้นของ คลอรีน เป็น 25 50 และ 75 ppm และ กรดเปอร์อะซิติก เป็น 30 40 และ 50 ppm ใช้เวลาในการแช่ 10 นาที ทดลอง 30 ซ้ำ ผลการทดลองพบว่า เมื่อแช่มะเขือเทศราชินีในคลอรีนความเข้มข้น 25 50 และ 75 ppm TPC ลดลงจากปริมาณเริ่มต้นที่เติมลงไปประมาณ 6.0 log10cfu เหลือประมาณ 3.84 – 3.67 log[subsript 10]cfu/g แต่ไม่มีนัยสำคัญทางสถิติ (p>0.05) ในระดับทุกความเข้มข้นของคลอรีนที่ใช้ ในขณะที่กรดเปอร์อะซิติก จุลินทรีย์โดยรวมลดลงเหลือประมาณ 3.16 – 2.27 log10cfu/g อย่างมีนัยสำคัญทางสถิติ (p≤0.05) เมื่อแช่ในคลอรีน Coliforms ลดลงจากปริมาณเริ่มต้นที่เติมลงไปประมาณ 6.3 log10cfu เหลือประมาณ 3.71 – 3.22 l log[subsript 10]cfu/g (p≤0.05) และ เมื่อแช่ในกรดเปอร์อะซิติก Coliforms ลดลงเหลือประมาณ 2.66 – 2.30 log[subsript 10]cfu/g (p>0.05) ส่วน E. coli เมื่อแช่ในคลอรีนลดลงจากปริมาณเริ่มต้นที่เติมประมาณ 6.2 log10cfu ลดลงเหลือประมาณ 3.96 – 3.16 log[subsript 10]cfu/g (p≤0.05) และ เมื่อใช่ในกรดเปอร์อะซิติก ลดลงเหลือประมาณ 2.37 – 1.75 log[subsript 10]cfu/g (p>0.05) ผลการศึกษาการแช่ผักกาดหอมในคลอรีนและกรดเปอร์อะซิติกที่ความเข้มข้นดังกล่าวข้างต้น พบว่า เมื่อแช่ในคลอรีน และกรดเปอร์อะซิติก TPC ลดลงจากปริมาณเริ่มต้นประมาณ 6.8 log[subsript 10]cfu เหลือประมาณ 6.38 – 6.21 log[subsript 10]cfu/g (p≤0.05) และประมาณ 5.65 - 5.43 log[subsript 10]cfu/g (p>0.05) ตามลำดับ Coliforms ลดลงจากปริมาณเริ่มต้นประมาณ 6.9 log[subsript 10]cfu/g เหลือประมาณ 6.07 – 5.59 log[subsript 10]cfu/g (p≤0.05) และประมาณ 4.92 – 4.57 log[subsript 10]cfu/g (p>0.05) ตามลำดับ ส่วน E. coli ลดลงจากปริมาณเริ่มต้นประมาณ 6.9 log[subsript 10]cfu เหลือประมาณ 5.95 – 5.67 log[subsript 10]cfu/g (p>0.05) และประมาณ 4.83 – 4.49 log[subsript 10]cfu/g (p≤0.05) ตามลำดับ นอกจากนี้ผลการทดลองยังพบว่าคลอรีนความเข้มข้น 75 ppm และกรดเปอร์อะซิติกที่ความเข้มข้น 40 ppm เป็นความเข้มข้นที่เหมาะสมที่สุดในการฆ่าเชื้อทั้งสามประเภท จากนั้นสร้างความสัมพันธ์ของ ปริมาณจุลินทรีย์เริ่มต้น ชนิดผัก ชนิดสารฆ่าเชื้อ ความเข้มข้นของสารฆ่าเชื้อ และ ปริมาณ จุลินทรีย์สุดท้าย โดยใช้ ANNs และสร้างเป็นแบบจำลองการทำนายปริมาณจุลินทรีย์ที่เหลือรอดหลังการแช่สารฆ่าเชื้อ พบว่าจำนวน Hidden layer ใช้เพียง 1 layer โดย Hidden node ที่เหมาะสมสำหรับการให้ผลค่าความแตกต่างกำลังสอง (Sum Square Error; SSE) ของค่าที่ทำนายได้จากระบบ ANNs กับค่าที่ได้จากการทดลองจริง ของ TPC, Coliforms และ E. coli เป็น 4 3 และ 5 ตามลำดับ ซึ่งให้ค่า SSE เท่ากับ 0.72, 0.50 และ 0.83 ตามลำดับ และได้ค่าความสัมพันธ์เชิงเส้น (R[superscript 2]) ระหว่างค่าจริงและค่าทำนายจากแบบจำลอง ANNs เป็น 0.76, 0.85 และ 0.72 ตามลำดับ เมื่อนำแบบจำลอง ANNs มาพิสูจน์ความใช้ได้ พบว่าได้ค่า R[superscript 2] ของ TPC เท่ากับ 0.78 Coliforms เท่ากับ 0.77 และ E. coli เท่ากับ 0.73 เมื่อแช่มะเขือเทศราชินีและผักกาดหอมในคลอรีน ความเข้มข้น 75 ppm และในกรดเปอร์อะซิติกความเข้มข้น 40 ppm เป็นเวลา 10 นาที เติมเชื้อจุลินทรีย์ TPC, Coliforms และ E. coli ประมาณ 3 - 4 log[subsript 10]cfu นอกจากนี้ยังได้ทดลองเติมจุลินทรีย์ดังกล่าวปริมาณ 3 - 4 log[subsript 10]cfu ในถั่วแดงหลวง และ ข้าวโพดอ่อน ซึ่งนิยมใช้ในสลัดผักด้วย นำไปตั้งทิ้งไว้ ที่อุณหภูมิ 10 และ 22 ℃เป็นระยะเวลา 2, 4 และ 8 ชั่วโมง ทำการทดลอง 10 ซ้ำ เพื่อศึกษาการเจริญเติบโตของจุลินทรีย์ระหว่างการจัดเก็บสลัดผัก พบว่าที่อุณหภูมิ 10℃ จุลินทรีย์ (TPC, Coliforms และ E. coli) ในมะเขือเทศราชินีและผักกาดหอม ไม่พบการเพิ่มจำนวนของจุลินทรีย์อย่างมีนัยสำคัญทางสถิติ(p>0.05) ส่วนที่อุณหภูมิ 22 ℃พบว่าปริมาณจุลินทรีย์ทั้งสามประเภทมีจำนวนเพิ่มขึ้นประมาณ 0.6 – 1 log[subsript 10]cfu/g (p≤0.05) สำหรับถั่วแดงหลวง และ ข้าวโพดอ่อน ซึ่งเป็นผักสลัดที่ผ่านการให้ความร้อนแล้วพบว่า ในกรณีถั่วแดงหลวง ที่อุณหภูมิ 10℃TPC, Coliforms และ E. coli ไม่มีการเพิ่มจำนวน (p>0.05) ตลอดระยะเวลาการเก็บ 8 ชั่วโมง ในขณะที่ ข้าวโพดอ่อนซึ่งเก็บที่อุณหภูมิ 10℃TPC และ Coliforms ไม่มีการเพิ่มจำนวน (p>0.05) แต่ E. coli มีปริมาณเพิ่มขึ้นประมาณ 0.24 log[subsript 10]cfu/g (p≤0.05) เมื่อเก็บถั่วแดงหลวงและข้าวโพดอ่อนที่อุณหภูมิ 22 ℃พบว่า TPC, Coliforms และ E. coli มีจำนวนเพิ่มขึ้นประมาณ 0.7 – 1.3 log[subsript 10]cfu/g (p≤0.05) จากนั้นสร้างความสัมพันธ์ของ จุลินทรีย์เริ่มต้น ชนิดสารฆ่าเชื้อ ชนิดผัก อุณหภูมิ เวลา และ ปริมาณจุลินทรีย์สุดท้าย พบว่าจำนวน Hidden layer ใช้เพียง 1 layer โดย Hidden node ที่เหมาะสมสำหรับการแบบจำลอง ANNs ของ TPC, Coliforms และ E. coli เป็น 8 6 และ 5 ตามลำดับ ซึ่งให้ค่า SSE เท่ากับ 0.22, 0.24 และ 0.22 ตามลำดับ และได้ค่า R[superscript 2 ] เป็น 0.94, 0.92 และ 0.95 ตามลำดับ เมื่อนำแบบจำลอง ANNs มาพิสูจน์ความใช้ได้ พบว่าได้ค่า R[superscript 2] ของ TPC เท่ากับ 0.95 Coliform เท่ากับ 0.91 และ E. coli เท่ากับ 0.90
Other Abstract: The objectives of this study were to investigate the efficacy of two sanitizers, i.e. hypochlorous and peracetic acid, in reducing total bacteria (TPC), coliforms and Escherichia coli levels in tomato and lettuce and to mathematically predict the relationship among the initial load, types of vegetable, types and concentration of sanitizer, and residual micro-organism levels after the washing and sanitization processes by applying a set of artificial neural networks (ANNs). Tomato fruits and lettuce leaves were inoculated with bacteria, dried and then soaked in the sanitizers for 10 minutes, in 30 repititions. The concentrations used were 25, 50 and 75 ppm for hypochlorous and 30, 40 and 50 ppm for peracetic acid. In tomato, hypochlorous at all concentrations reduced TPC load from an initial ~6.0 log[subscript 10] cfu/g to a residual level of 3.84 - 3.67 log[subscript 10] cfu/g (p> 0.05); while peracetic acid reduced TPC to 3.16 - 2.27 log[subscript 10] cfu/g (p≤0.05). Under the same conditions, coliforms showed a reduction from an initially higher level of ~6.3 log[subscript 10] cfu/g to residual levels of 3.71 - 3.22 log[subscript 10] cfu/g (p≤0.05) by hypochlorous; and 2.66 - 2.30 log[subscript 10] cfu/g (p> 0.05) by peracetic acid. The same treatments reduced E. coli from ~ 6.2 log[subscript 10] cfu/g to 3.96 - 3.16 (p≤0.05) and 2.37 - 1.75 log[subscript 10] cfu/g (p>0.05), respectively. Whereas in lettuce samples, hypochlorous and peracetic acid gave TPC reductions from ~6.8 log[subscript 10] cfu/g initial load to a residual level of 6.38 - 6.21 log[subscript 10] cfu/g (p≤0.05) and 5.65 - 5.43 log[subscript 10] cfu/g (p>0.05), respectively. Coliforms were reduced from ~6.9 log[subscript 10] cfu/g to 6.07 - 5.59 log[subscript 10] cfu/g (p≤0.05) and 4.92 - 4.57 log[subscript 10] cfu/g (p>0.05), respectively. Likewise, E. coli on lettuce leaves was reduced from ~ 6.9 log[subscript 10] cfu/g to a residual level of 5.95 - 5.67 log[subscript 10] cfu/g (p>0.05) by hypochlorous and 4.83 - 4.49 log[subscript 10] cfu/g (p≤0.05) by peracetic acid. The results also indicated that 75 ppm hypochlorous and 40 ppm peracetic acid were the most efficient concentrations for reduction of the 3 types of microorganism. The best sum square error from the artificial neural prediction of residual TPC, coliforms and E. coli were 0.72, 0.50 and 0.83, respectively, and the maximum R[superscript 2] of residual TPC, coliforms and E. coli were 0.76, 0.85 and 0.72, respectively. Only one hidden layer and four, three or five hidden neurons were respectively required for TPC, coliforms and E. coli. Factor analysis in the ANNs models supported intuition in that the residual microorganism level depends upon the initial load of microorganism, type of vegetable, type and concentration of the sanitizer used. When using 75 ppm hypochlorous and 40 ppm peracetic acid treatments on lettuce and tomato, then storing at 10 ℃] and 22 ℃], there was significant difference (p≤0.05) between the two sanitizers. On the other hand, when tomato, lettuce, kidney bean and baby corn were stored at different temperatures, it was found that at 10℃], there was no significant difference (p≤0.05) at any time (2, 4 and 8 hours); with the exception of E. coli in baby corn, which showed an increase of around 0.24 log[subscript 10]cfu/g. Whilst at 22 ℃], there was significant difference (p≤ 0.05) at any time, and all types of microorganism increased around 0.7 – 1.3 log[subscript 10]cfu/g. The best sum square error from the artificial neural prediction of residual TPC, coliforms and E. coli were 0.22, 0.24 and 0.22, respectively, and the maximum R[superscript 2] of residual TPC, coliforms and E. coli were 0.94, 0.92 and 0.95 respectively. Only one hidden layer and eight, six or five hidden neurons were respectively required for TPC, coliforms and E. coli. Factor analysis in the ANNs models confirmed that the final microorganism level.
Description: วิทยานิพนธ์ (วท.ม.) -- จุฬาลงกรณ์มหาวิทยาลัย, 2551
Degree Name: วิทยาศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: เทคโนโลยีทางอาหาร
URI: http://cuir.car.chula.ac.th/handle/123456789/14431
Type: Thesis
Appears in Collections:Sci - Theses

Files in This Item:
File Description SizeFormat 
Apiniharn_ph.pdf5.86 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.