تعیین ویژگی‌های زعفران چینی: خاستگاه، سن و درجه با استفاده از تصویربرداری فراطیفی VNIR و یادگیری ماشین

زعفران (Crocus sativus L.) که کلاله خشک شده آن است، یک ادویه و گیاه دارویی بسیار ارزشمند می‌باشد که ارزش اقتصادی آن تحت تأثیر خاستگاه جغرافیایی، سن و درجه کیفیت قرار دارد. در این مطالعه، ما روشی برای شناسایی زعفران از خاستگاه‌ها، سنین و درجات مختلف چینی پیشنهاد کردیم که بر اساس تصویربرداری فراطیفی مرئی-مادون قرمز نزدیک (VNIR-HSI)، یادگیری ماشین و راهبردهای ادغام داده‌ها بود. در ابتدا، نمونه‌های زعفران بر اساس استانداردهای ISO2011/2010 درجه‌بندی شدند و مشخص شد که سن تأثیر بیشتری بر درجه کیفیت نسبت به خاستگاه جغرافیایی دارد. با مقایسه اثربخشی الگوریتم‌های طبقه‌بندی مختلف با روش‌های پیش‌پردازش متفاوت، نتایج نشان داد که MSC-CARS-SVM یک الگوریتم طبقه‌بندی طیفی مؤثر برای تعیین خاستگاه زعفران و FD-CARS-SVM یک الگوریتم طبقه‌بندی طیفی مؤثر برای تعیین سن و درجه زعفران است. در نهایت، ویژگی‌های تصویر و طیف در سطح میانی ادغام شدند تا مدل‌های طبقه‌بندی برای خاستگاه، سن و درجه ایجاد شوند و نتایج نشان داد که مدل‌های خاستگاه و سن پس از ادغام مؤثرتر از اطلاعات طیفی اولیه بودند، با دقت پیش‌بینی 98.3% و 97.9%. با این حال، مدل طیفی FD-CARS-SVM به عنوان متمایزکننده‌ترین مدل با دقت پیش‌بینی 89.6% برای شناسایی درجه شناخته شد. این مطالعه پایه نظری و پشتیبانی فنی برای تعیین ویژگی‌های کیفیت زعفران برای صنعت و مصرف‌کنندگان فراهم می‌کند.

Saffron (Crocus sativus L.), the dried stigma, is an extremely valuable spice and medicinal herb, whose economic value is affected by geographical origin, age and grade. In this study, we proposed a method to identify saffron from different Chinese origins, ages and grades, which was based on visible-near infrared hyperspectral imaging (VNIR-HSI), machine learning and data fusion strategies. Firstly, saffron samples were graded according to ISO2011/2010 standards, with age having a greater influence on grade than geographical origin. By comparing the effectiveness of different classification algorithms with different preprocessing methods, the results showed that MSC-CARS-SVM was an effective spectral classification algorithm to determine saffron origin and FD-CARS-SVM was an effective spectral classification algorithm to determine saffron age and grade. Finally, image and spectral features were fused at a mid-level to establish classification models for origin, age and grade, and the results showed that origin and age models were more effective after fusion than the initial spectral information, with prediction accuracies of 98.3% and 97.9%. However, the spectral FD-CARS-SVM model was found to be the most discriminative with a prediction accuracy of 89.6% for grade identification. This study provides a theoretical basis and technical support to characterize saffron quality for industry and consumers.