تشخیص دقیق تقلب گلرنگ در زعفران با استفاده از طیف‌سنجی Atr-Ftmir ، روش تشخیصی جدید بر اساس تحلیل الگوریتم انتخاب ویژگی و یادگیری ماشین

به دلیل ارزش تجاری و غذایی بالای زعفران، تقلب‌های زیادی در این ادویه انجام می‌شود. در این مطالعه، برای جلوگیری از تقلب رایج افزودن گلرنگ به زعفران، یک روش نوین تشخیص غیرمخرب با استفاده از طیف‌سنجی ATR-FTMIR ارائه شده است که در آن الگوریتم‌های انتخاب ویژگی و یادگیری ماشین، تجزیه و تحلیل داده‌های طیف‌سنجی را انجام می‌دهند. به این منظور، روش جدید و سریع آماده‌سازی نمونه به نام بازتابش داخلی تضعیف‌شده (Attenuated Total Reflection, ATR) برای طیف‌سنجی ارتعاشی جهت تشخیص گلرنگ در زعفران استفاده شد. دقت طبقه‌بندی با استفاده از مدل‌های ماشین بردار پشتیبان (SVM) و تحلیل مولفه‌های اصلی (PCA) ارزیابی گردید. دو الگوریتم انتخاب ویژگی: 1- حداکثر ارتباط حداقل افزونگی (Minimum Redundancy Maximum Relevance,MRMR) و 2- Chi-Square (chi2) بر روی داده‌های پیش‌پردازش شده اعمال شدند تا داده‌کاوی انجام گیرد و داده‌های شاخص و مؤثر انتخاب شوند. تعداد ویژگی‌های استفاده شده برابر با 0، 250، 500 و 1000 بود. بهترین نتیجه در ترکیبی از روش‌های پیش‌پردازش داده‌های متغیر نرمال استاندارد و فیلتر ساویتسکی-گولای (S-G+D1+SNV) حاصل شد. بالاترین دقت در تشخیص تقلب مدل SVM با 500 ویژگی الگوریتم MRMR برای مجموعه داده‌های آموزش‌ و آزمایش‌ به ترتیب 100 و 98.8 درصد بود. نتایج این تحقیق نشان‌دهنده استفاده از طیف‌سنجی FT-MIR برای تشخیص دقیق و سریع تقلب گلرنگ در زعفران است که در ترکیب با هوش مصنوعی برای کاهش سود تقلب‌کنندگان و افزایش ایمنی و سلامت غذای انسان در صنعت غذا توصیه می‌شود.

Due to its high commercial and food value, many frauds are applied in saffron spice. In this study, to prevent the common fraud of adding safflower to saffron, a new non-destructive detection method using ATR-FTMIR spectroscopy is presented, in which feature selection algorithms and machine learning perform spectroscopic data analysis. A new rapid sample preparation method called attenuated total reflection (ATR) was used for vibrational spectroscopy to detect safflower in saffron. The classification accuracy was evaluated using support vector machine (SVM) and principal component analysis (PCA) models. Two feature selection algorithms: 1) minimum redundancy maximum relevance (MRMR) and 2) Chi-Square (chi2) were applied to the pre-processed data to perform data mining and select prominent and influential data. The number of features used was equal to 0, 250, 500, 1000. The best result was obtained in a combination of data pre-processing methods of standard normal variable and Savitzky-Golay (S-G+D1+SNV). The highest accuracy for fraud detection of the SVM model with 500 features of the MRMR algorithm for the trained and tested datasets was 100 and 98.8, respectively. The results of this research show the use of FT-MIR spectroscopy for accurate and fast detection of safflower fraud in saffron, which is recommended in combination with artificial intelligence to reduce fraudsters’ profits and increase human food safety and health in the food industry