احراز هویت سریع کلاله زعفران دست نخورده در بسته بندی با استفاده از تصویربرداری فراطیفی Vis-SWNIR همراه با شیمی سنجی

این مطالعه روشی سریع برای تشخیص و احراز هویت کلاله دست نخورده زعفران از طریق بسته‌بندی آن با استفاده از تصویربرداری فراطیفی نزدیک به مادون قرمز با طول موج کوتاه مرئی (Vis-SWNIR) در ارتباط با شیمی‌سنجی ارائه می‌کند. یک مجموعه داده شامل 38 نمونه زعفران معتبر استفاده شد و تصاویر HSI در محدوده طیفی 400-950 nm گرفته شد. حداقل مربعات متناوب با وضوح منحنی چند متغیره (MCR-ALS) برای به دست آوردن پروفایل های فضایی و طیفی خالص اجزاء استفاده شد.

پروفایل های فضایی حل شده سپس تحت تجزیه و تحلیل مؤلفه های اصلی (PCA) قرار گرفتند تا الگوهای بالقوه در نمونه های معتبر شناسایی شوند. مخلوط های دوتایی از نمونه های ترکیبی زعفران و مواد تقلبی شامل گلرنگ، گل همیشه بهار و سبک زعفران در سطوح مختلف تهیه شد. مدل‌سازی مستقل نرم مبتنی بر داده از قیاس کلاس (DD-SIMCA) برای ایجاد مرزی بین نمونه‌های معتبر و تقلبی استفاده شد که منجر به عملکرد طبقه‌بندی قوی با حساسیت 95٪ و ویژگی 100٪ شد.

تجزیه و تحلیل تفکیک حداقل مربعات جزئی (PLS-DA) برای طبقه‌بندی باینری و چند کلاسه پروفایل‌های فضایی حل‌شده MCR-ALS استفاده شد. عملکرد PLS-DA با استفاده از معیارهای حساسیت، ویژگی و دقت مورد ارزیابی قرار گرفت که برای مجموعه‌های کالیبراسیون، اعتبارسنجی متقابل و پیش‌بینی در سه روش مختلف بسته‌بندی زعفران از 83.4 درصد فراتر رفت. این یافته ها شواهد بیشتری برای اعتبار و کارایی روش پیشنهادی ارائه می دهد.

This study presents a rapid method for detecting and authenticating intact saffron stigma through its packaging using visible-short wavelength near-infrared (Vis-SWNIR) hyperspectral imaging (HSI) in conjunction with chemometrics. A dataset containing 38 authentic saffron samples was utilized, and HSI images were captured within the spectral range of 400–950 nm. Multivariate curve resolution-alternating least squares (MCR-ALS) was used to obtain pure spatial and spectral profiles of the components. The resolved spatial profiles were then subjected to principal component analysis (PCA) to identify potential patterns in the authentic samples. Binary mixtures of pooled saffron samples and adulterants, including safflower, calendula, and saffron style, were prepared at varying levels.

Data-driven soft independent modeling of class analogy (DD-SIMCA) was employed to establish a boundary between authentic and adulterated samples, resulting in robust classification performance with a sensitivity of 95 % and specificity of 100 %. Partial least squares-discriminant analysis (PLS-DA) was used for binary and multi-class classification of the MCR-ALS resolved spatial profiles. The performance of PLS-DA was evaluated using sensitivity, specificity, and accuracy measures, which exceeded 83.4 % for the calibration, cross-validation, and prediction sets across three different saffron packaging methods. These findings provide further evidence for the validity and efficacy of the proposed method.