ارزیابی کیفیت زعفران با استفاده از فناوری بازرسی کمی سریع با طیف‌سنجی فروسرخ نزدیک

یک مدل پیش‌بینی‌کننده با استفاده از طیف‌سنجی مادون قرمز نزدیک برای تخمین از دست دادن خشک‌کردن، محتوای کل کروسین I و کروسین II، و محتوای پیکروکروسین زعفران توسعه داده شد. در ابتدا، مقادیر LD با استفاده از یک آنالایزر رطوبت خاکستر تعیین شد، در حالی که HPLC برای اندازه‌گیری محتویات کل کروسین I، کروسین II و پیروکروسین استفاده شد. طیف مادون قرمز نزدیک 928 نمونه زعفران با استفاده از روش‌های مشتق اول، تبدیل متغیر نرمال استاندارد، تصحیح بدون روند، تصحیح پراکندگی چند متغیره، صاف‌سازی ساویتزکی-گولای، و میانگین مرکز، جمع‌آوری و پیش پردازش شدند. با استفاده از روش حداقل مربعات جزئی، مدل‌های رگرسیون ساخته شدند، با پارامترهای بهینه‌سازی شده از طریق ترکیبی انتخابی از شش روش پیش‌پردازش فوق.

متعاقباً، مدل‌های پیش‌بینی برای از دست دادن خشک شدن، محتویات کل کروسین I و کروسین II و محتوای پیکروکروسین ایجاد شد و دقت پیش‌بینی مدل‌ها تأیید شد. ضرایب همبستگی و ریشه میانگین مربعات خطای از دست دادن در خشک شدن، کل محتویات کروسین I و کروسین II، و محتوای پیکروکروسین دقت بالایی را با مقادیر R2 0.8627، 0.8851 و 0.8592 و مقادیر میانگین مربعات خطای ریشه 0.0260، 0.0260، 0.0260، 0.0260، 0.0262 و 0.0262 و 2. و 0.0465. این مدل پیش‌بینی نزدیک به فروسرخ که در مطالعه حاضر ایجاد شده است، ابزار دقیق و کارآمدی برای ارزیابی تلفات در خشک‌کردن، محتوای کل کروسین I و کروسین II، و محتوای پیکروکروسین در زعفران ارائه می‌کند و برای توسعه یک سیستم ارزیابی کیفیت سریع مفید است.

A predictive model utilizing near-infrared spectroscopy was developed to estimate the loss on drying, total contents of crocin I and crocin II, and picrocrocin content of saffron. Initially, the LD values were determined using a moisture-ash analyzer, while HPLC was employed for measuring the total contents of crocin I, crocin II, and picrocrocin. The near-infrared spectra of 928 saffron samples were collected and preprocessed using first derivative, standard normal variable transformation, detrended correction, multivariate scattering correction, Savitzky–Golay smoothing, and mean centering methods. Leveraging the partial least squares method, regression models were constructed, with parameters optimized through a selective combination of the above six preprocessing methods. Subsequently, prediction models for loss on drying, total contents of crocin I and crocin II, and picrocrocin content were established, and the prediction accuracy of the models was verified.

The correlation coefficients and root mean square error of loss on drying, total contents of crocin I and crocin II, and picrocrocin content demonstrated high accuracy, with R2 values of 0.8627, 0.8851, and 0.8592 and root mean square error values of 0.0260, 0.0682, and 0.0465. This near-infrared prediction model established in the present study offers a precise and efficient means of assessing loss on drying, total contents of crocin I and crocin II, and picrocrocin content in saffron and is useful for the development of a rapid quality evaluation system.