تصویربرداری نوری برای طراحی سیستم‌های کانولوشن جهت تضمین کیفیت و ایمنی مواد غذایی

تقلب در مواد غذایی یک نگرانی جهانی است که به طور جدی بر کیفیت و ایمنی مواد غذایی در سراسر جهان تأثیر می‌گذارد. اساساً، این فعالیت سود اقتصادی را دنبال می‌کند. بنابراین، غذاهایی که بیشترین آسیب را از این نوع فعالیت می‌بینند، آنهایی هستند که قیمت فروش بالاتری دارند. زعفران از جمله آسیب‌پذیرترین محصولات غذایی است. این ادویه از کلاله‌های خشک شده گل زعفران (Crocus sativus L.) تولید می‌شود و یکی از گران‌ترین ادویه‌های جهان محسوب می‌شود. قیمت فروش آن به نیروی کار مورد نیاز و تولید محدود آن بستگی دارد (لی و همکاران، 2020). زعفران به عنوان یک ادویه، محصولی است که به طور گسترده در آشپزی به عنوان رنگ و طعم دهنده در غذا استفاده می‌شود. علاوه بر این، به دلیل اثرات مفید آن بر سلامتی، در طب سنتی نیز مورد استفاده قرار می‌گیرد. به منظور کاهش هزینه این ادویه و در نتیجه دستیابی به سود اقتصادی بیشتر، انواع محصولات بی‌کیفیت و تقلبی ظاهر شده‌اند. این محصولات بر اساس جایگزینی زعفران با مواد گیاهی با ظاهری مشابه ساخته شده‌اند. تاکنون، تکنیک‌های تحلیلی مانند کروماتوگرافی و تکنیک‌های طیف‌سنجی برای تشخیص تقلب زعفران با سایر گیاهان در سطوح حدود ۲۰۰ میلی‌گرم بر گرم توسعه یافته‌اند (Shahawky و همکاران، ۲۰۲۰). در این راستا، توسعه تکنیک‌های جایگزین قابل اعتماد، سریع، ارزان و همچنین غیرتهاجمی برای اندازه‌گیری اصالت زعفران ضروری است. این مقاله دو ابزار جدید برای تشخیص تقلب در بخش زعفران ارائه می‌دهد. از یک سو، از طیف‌سنجی UV-VIS و از سوی دیگر، از ترکیب تصاویر نوری و الگوریتم‌های هوشمند استفاده می‌شود. (Pradana-López و همکاران، ۲۰۲۱). نمونه‌های مختلف با مخلوط کردن زعفران خالص فصلی با زعفران کهنه، در غلظت‌های ۲۰ تا ۴۰ درصد تهیه شدند. علاوه بر این، نمونه‌هایی از زعفران خالص مخلوط با بقایای گل خود گیاه در غلظت‌های ۷.۵٪ تا ۱۲.۵٪ تهیه شد. نمونه‌های از قبل آماده شده با طیف‌سنجی نشری UV-VIS اندازه‌گیری شدند و نتایج امیدوارکننده‌ای در تشخیص زعفران خالص از تقلبی به دست آمد. در ادامه، از نمونه‌های آماده شده با میکروسکوپ و دوربین رفلکس عکس‌برداری شد تا مدل‌های هوشمند ساخته شوند. نتایج اعتبارسنجی مدل توسعه‌یافته به ۹۰٪ می‌رسد. به همه این دلایل، این تکنیک‌ها روش‌های امیدوارکننده‌ای برای تشخیص تقلب در زعفران ارائه می‌دهند.

Food adulteration is a universal concern that seriously affects food quality and safety throughout the world. Fundamentally, this activity pursues economic benefit. Therefore, the foods that suffer the most from this type of activity are those with a higher selling price. Among the most vulnerable food products is saffron. This spice is produced from the dried stigmas of the Crocus sativus L. flower, and is considered one of the most expensive spices in the world. Its sale price is conditioned by the labor required and its limited production (Li et al., 2020).As a spice, saffron is a product widely used in cooking as a coloring and flavoring in food. In addition, it is used in traditional medicine, for its beneficial effects on health. In order to reduce the cost of this spice, and thus achieve greater economic benefit, a variety of substandard and fraudulent products have appeared. These products are based on the replacement of saffron by plant materials with a similar appearance.Until now, analytical techniques, such as chromatography, and spectroscopic techniques have been developed to detect adulteration of saffron with other plants at levels of the order of 200 mg/g (Shawky et al., 2020). In this line, it is necessary to develop reliable, fast, cheap, as well as non-invasive alternative techniques to measure the authenticity of saffron.This paper presents two new tools to detect fraud in the saffron sector. On the one hand, UV-VIS spectroscopy is used, and on the other, the combination of optical images and intelligent algorithms. (Pradana-López et al., 2021). The different samples were prepared by mixing pure seasonal saffron with past saffron, in concentrations of 20% to 40%. In addition, samples of pure saffron mixed with floral remains of the plant itself in concentrations of 7.5% to 12.5% were prepared.The already prepared samples were measured by UV-VIS emission spectroscopy, obtaining promising results in distinguishing pure from adulterated saffron. Following, the prepared samples were photographed with a microscope and a reflex camera to make the intelligent models. The results in the validation of the developed model amount to 90%. For all these reasons, these techniques represent promising ways to detect fraud in saffron.