تفکیک منشاء جغرافیایی و تعیین کیفیت زعفران با استفاده از یک سیستم تصویربرداری هایپرسپکتردار قابل حمل

یک سیستم تصویربرداری فراطیفی قابل حمل (HSI) (400-1000 نانومتر) همراه با تکنیک‌های کمومتری برای شناسایی منشاء جغرافیایی و تعیین محتوای کروسین زعفران به‌سرعت و غیر مخرب توسعه داده شد. طیف بازتاب 160 نمونه زعفران از دو منشاء جغرافیایی با استفاده از الگوریتم Savitzky-Golay (SG) گرفته و پیش پردازش شد.

PCA به عنوان یک خوشه بندی بدون نظارت و PLS-DA، RBF، و MLP به عنوان تکنیک های نظارت شده برای طبقه بندی و تمایز منشاء جغرافیایی نمونه ها استفاده شد. سپس، محتوای کروسین نمونه‌ها اندازه‌گیری شد و ارتباط آن‌ها با طیف‌های آن‌ها با استفاده از مدل‌های PLSR، RBF و MLP مدل‌سازی شد.

نتایج PCA نشان داد که نمونه‌های زعفران در ابتدا در دو خوشه مختلف توزیع شده‌اند. مدل PLS-DA با محدوده طیفی از 400 تا 1000 نانومتر بهترین عملکرد خوشه‌بندی را به دست آورد (حساسیت و ویژگی: 100 درصد). مدل RBF قابلیت های پیش بینی خوبی را در پیش بینی محتوای کروسین زعفران و ارزیابی کیفیت نشان داد (R2cal > 0.94 و R2pred > 0.83).

A portable Hyperspectral Imaging (HSI) system (400–1000 nm) coupled with chemometrics techniques was developed to identify the geographical origin and to determine the Crocins content of saffron rapidly and non-destructively. Reflectance spectra of 160 saffron samples from two geographical origins were captured and preprocessed using the Savitzky–Golay (SG) algorithm.

PCA as an unsupervised clustering and PLS-DA, RBF, and MLP as supervised techniques were applied for the classification and geographical origin differentiation of the samples. Afterward, the sample’s Crocins content was measured and their associations with their spectra were modeled using PLSR, RBF, and MLP models.

The PCA results indicated that saffron samples were originally distributed in two different clusters. PLS-DA model with a spectral range from 400 to 1000 nm achieved the best clustering performance (Sensitivity and Specificity: 100 %). The RBF model showed good predictive capabilities in the saffron Crocins content prediction and quality evaluation (R2cal > 0.94 and R2pred > 0.83).