روش جدید تشخیص تقلب گلرنگ در زعفران (طلای سرخ) با بکارگیری ترکیبی از الگوریتم انتخاب ویژگی و یادگیری ماشین

به دلیل افزایش جمعیت و در پی آن افزایش تقاضا برای تغذیه انسان، ایمنی مواد غذایی یکی از مهم‌ترین چالش‌های جهان محسوب می‌شود. زعفران یکی از گران‌ترین و با ارزش‌ترین ادویه‌های جهان است که در ایران به طلای سرخ معروف است. بنابراین، به دلیل ارزش تجاری بالای زعفران، تقلبات بسیاری در این ادویه صورت می‌گیرد. یکی از تقلبات گسترده، افزودن گلرنگ به زعفران است که به دلیل ظاهر بسیار مشابه این دو محصول صورت می‌گیرد. در این مطالعه، برای جلوگیری از تقلب مذکور، روش جدید تشخیص غیرمخرب با استفاده از طیف‌سنجی FT-MIR ارائه شده است که در آن، آنالیز داده‌های طیف‌سنجی با “انتخاب ویژگی” و “یادگیری ماشین” انجام می‌شود. دقت طبقه‌بندی با استفاده از مدل‌های ماشین بردار پشتیبان (SVM) و تحلیل مولفه‌های اصلی (PCA) ارزیابی شد. دو الگوریتم انتخاب ویژگی (MRMR و chi2)، برای انجام داده‌کاوی و انتخاب داده‌های شاخص و اثرگذار بر داده‌های پیش‌پردازش شده اعمال شدند. بالاترین دقت مدل SVM با 500 ویژگی از الگوریتم MRMR به دست آمد که به ترتیب 100 و 98.8 درصد برای مراحل آموزش و آزمون داده‌های پیش‌پردازش شده بود. نتایج این مطالعه نشان‌دهنده قابلیت استفاده از طیف‌سنجی FT-MIR با راندمان بالا برای تشخیص تقلب در زعفران است که به‌همراه هوش مصنوعی برای کاهش سود تقلب‌گران و افزایش ایمنی و سلامت مواد غذایی انسان در صنعت غذا توصیه می‌شود.

Due to the increase in population and subsequently increase in demand for human nutrition, food safety is considered one of the most important challenges in the world. Saffron is one of the most expensive and valuable spices in the world, which is known as red gold in Iran. Therefore, due to the high commercial value of saffron, many frauds are done in this spice. One of the widespread frauds is adding safflower to saffron, which is due to the very similar appearance of these two products. In this study, to prevent the said fraud, a new non-destructive detection method using FT-MIR spectroscopy is presented, in which spectroscopic data analysis is performed by feature selection and machine learning. The classification accuracy was evaluated using Support Vector Machine (SVM) and principal component analysis (PCA) models. Two feature selection algorithms, MRMR and chi2, were applied to the pre-processed data to perform data mining and select prominent and influential data. The highest accuracy of the SVM model with 500 features obtained from the MRMR algorithm was 100 and 98.8, respectively, for the training and testing stages of the pre-processed dataset. The results of this study show the use of FT-MIR spectroscopy with high efficiency to detect 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