بهبود دقت طبقه‌بندی و کمّی‌سازی آلودگی زعفران از طریق ادغام داده‌های تصویربرداری کروماتوگرافی لایه نازک و تحلیل طیف رامان

محصولات کشاورزی با ارزش بالا اغلب در سراسر جهان هدف تقلب اقتصادی قرار می گیرند. پودر زعفران که یکی از گران‌ترین ادویه‌ها و رنگ‌های موجود در بازار است، به ویژه در برابر تقلب با مواد گیاهی یا رنگ‌های مصنوعی آسیب‌پذیر است. با این حال، روش استاندارد بین‌المللی کنونی دارای چندین اشکال است، مانند آسیب‌پذیری در برابر تقلب رنگ مصنوعی زرد و نیاز به روش‌های اندازه‌گیری آزمایشگاهی خسته‌کننده.

برای رسیدگی به این چالش‌ها، ما قبلاً یک روش قابل حمل و همه‌کاره برای تعیین کیفیت زعفران با استفاده از تکنیک کروماتوگرافی لایه نازک همراه با طیف‌سنجی رامان (TLC-Raman) ایجاد کردیم. در این مطالعه، هدف ما بهبود دقت طبقه‌بندی و تعیین کمیت مواد تقلبی در زعفران با استفاده از ترکیب داده‌های سطح متوسط ​​تصویربرداری TLC و داده‌های طیفی رامان بود. به طور خلاصه، داده های تصویربرداری برجسته و داده های برجسته رامان در یک ماتریس داده الحاق شدند.

نتایج طبقه بندی و کمی سازی مواد تقلبی زعفران بین داده های ترکیب شده و تجزیه و تحلیل بر اساس هر مجموعه داده جداگانه مقایسه شد. بهترین نتیجه طبقه‌بندی از مدل حداقل مربعات جزئی – تجزیه و تحلیل متمایز (PLS-DA) به دست آمد که با استفاده از مجموعه داده‌های همجوشی سطح متوسط ​​ایجاد شد، که زعفران را با مواد تقلبی مصنوعی (قرمز 40 یا زرد 5 در 2 تا 10 درصد، w/) به دقت تعیین کرد. w) و مواد تقلبی گیاهی طبیعی (گلرنگ و زردچوبه در 20 تا 100 درصد، وزنی/وزنی) با دقت کلی در گروه آموزش و اعتبارسنجی به ترتیب 52/99 درصد و 20/99 درصد. با توجه به تجزیه و تحلیل کمی، مدل‌های PLS ساخته شده با بلوک داده‌های ذوب شده، عملکرد کمی بهبود یافته را از نظر R2 و خطاهای ریشه میانگین مربع برای اکثر مدل‌های PLS نشان دادند.

در نتیجه، مطالعه حاضر پتانسیل قابل توجه ادغام داده‌های تصویربرداری TLC و داده‌های طیفی رامان را برای بهبود طبقه‌بندی زعفران و دقت کمی از طریق همجوشی داده‌های سطح متوسط، که تصمیم‌گیری سریع و دقیق در محل را تسهیل می‌کند، برجسته کرد.

Agricultural crops of high value are frequently targeted by economic adulteration across the world. Saffron powder, being one of the most expensive spices and colorants on the market, is particularly vulnerable to adulteration with extraneous plant materials or synthetic colorants. However, the current international standard method has several drawbacks, such as being vulnerable to yellow artificial colorant adulteration and requiring tedious laboratory measuring procedures.

To address these challenges, we previously developed a portable and versatile method for determining saffron quality using a thin-layer chromatography technique coupled with Raman spectroscopy (TLC-Raman). In this study, our aim was to improve the accuracy of the classification and quantification of adulterants in saffron by utilizing mid-level data fusion of TLC imaging and Raman spectral data. In summary, the featured imaging data and featured Raman data were concatenated into one data matrix. The classification and quantification results of saffron adulterants were compared between the fused data and the analysis based on each individual dataset.

The best classification result was obtained from the partial least squares—discriminant analysis (PLS-DA) model developed using the mid-level fusion dataset, which accurately determined saffron with artificial adulterants (red 40 or yellow 5 at 2–10%, w/w) and natural plant adulterants (safflower and turmeric at 20–100%, w/w) with an overall accuracy of 99.52% and 99.20% in the training and validation group, respectively. Regarding quantification analysis, the PLS models built with the fused data block demonstrated improved quantification performance in terms of R2 and root-mean-square errors for most of the PLS models.

In conclusion, the present study highlighted the significant potential of fusing TLC imaging data and Raman spectral data to improve saffron classification and quantification accuracy via the mid-level data fusion, which will facilitate rapid and accurate decision-making on site.