شناسایی زعفران از منشأهای مختلف توسط HS-GC-IMS و شناسایی اصالت همراه با یادگیری عمیق

با افزایش تقاضا برای زعفران، استاندارد کردن تاییدیه منشأ آن و شناسایی هرگونه تقلب برای حفظ یک محصول با کیفیت خوب در بازار ضروری است. با این حال، هنوز یک استراتژی سریع و قابل اعتماد برای شناسایی زعفران تقلبی وجود ندارد. در اینجا، ترکیبی از طیف‌سنجی تحرک کروماتوگرافی یونی فضای سر-گاز (HS-GC-IMS) و شبکه عصبی کانولوشنال (CNN) توسعه داده شد. شصت و نه ترکیب فرار (VOCs) شامل 7 گروه ایزومر به سرعت و به طور مستقیم شناسایی شدند. یک مدل پیش‌بینی CNN بر اساس داده‌های GC-IMS پیشنهاد شد. تصاویر GC-IMS با استفاده از حداقل پیش‌فرض داده‌ها و قابلیت استخراج خودکار ویژگی‌ها، مستقیماً به مدل CNN وارد شدند. نتایج پیش‌بینی مبدا با دقت متوسط ​​حدود 90 درصد خروجی شد که بالاتر از روش‌های سنتی مانند PCA (61 %) و SVM (71 %) بود. این سی‌ان‌ان تاسیس شده همچنین توانایی شناسایی زعفران تقلبی را با دقت بالای ۹۸ درصد نشان داد که می‌توان از آن برای احراز هویت زعفران استفاده کرد.

With the rising demand of saffron, it is essential to standardize the confirmation of its origin and identify any adulteration to maintain a good quality led market product. However, a rapid and reliable strategy for identifying the adulteration saffron is still lacks. Herein, a combination of headspace-gas chromatography-ion mobility spectrometry (HS-GC-IMS) and convolutional neural network (CNN) was developed. Sixty-nine volatile compounds (VOCs) including 7 groups of isomers were detected rapidly and directly. A CNN prediction model based on GC-IMS data was proposed. With the merit of minimal data prepossessing and automatic feature extraction capability, GC-IMS images were directly input to the CNN model. The origin prediction results were output with the average accuracy about 90 %, which was higher than traditional methods like PCA (61 %) and SVM (71 %). This established CNN also showed ability in identifying counterfeit saffron with a high accuracy of 98 %, which can be used to authenticate saffron.