بازرسی سریع زعفران در محل بر اساس فناوری پرتابل نزدیک به مادون قرمز متصل به ابر

استفاده از فناوری طیف‌سنجی فروسرخ متصل به ابر ترکیب شده با شیمی‌متریک برای شناسایی نادرترین زعفران و تقلب‌کننده‌های شایع آن (گل کارتما، کک ذرت، میخک نیلوفر، گل کرزانتما، پالپ) و زعفران تقلبی و تعیین کمی میزان تقلب‌کننده در زعفران. طیف‌های نزدیک به فروسرخ زعفران، تقلب‌کننده‌ها و زعفران تقلبی با استفاده از دستگاه پرتابل PV500R-I که توسط تلفن همراه کنترل می‌شود، جمع‌آوری شدند. مشتق اول، مشتق دوم، مشتق سوم، تبدیل متغیر نرمال استاندارد و اصلاح پراکندگی ضربی برای پیش‌پردازش داده‌های طیفی اصلی استفاده می‌شود.

تحلیل تفکیک‌پذیری اجزای جزئی (PLS-DA) برای ایجاد مدل شناسایی زعفران و تقلب‌کننده آن و زعفران و زعفران تقلبی به کار رفته است.نتایج نشان می‌دهد که یک مدل شناسایی بهینه می‌تواند زعفران و پنج نوع ناخالصی آن را به طور کامل از یکدیگر تشخیص دهد؛ دقت پیش‌بینی خارجی حداقل 93% برای زعفران و پنج نوع نمونه زعفران تقلبی می‌تواند به تدریج توسط دو مدل شناسایی بهینه به دست آید و سطح تشخیص ناخالصی زعفران مخلوط با گل گلرنگ، خوب کاه ذرت، میخک نیلوفر، گل داوودی و پالپ به ترتیب 0.5٪، 0.5٪، 4.0٪، 0.5٪ و 0.5٪ است.

رگرسیون حداقل مربعات جزئی برای ایجاد مدل‌های پیش‌بینی کمی برای پنج نوع ناخالصی در زعفران استفاده شد.دامنه ضریب همبستگی پیش‌بینی خارجی مدل نهایی 0.920 تا 0.999 بود و دامنه RMSEP بین 0.005 تا 0.044 بود، و هنگامی که زعفران با گل‌های کارتامو، گل‌های کریزانتهم، کلاله نیلوفر و برگ و کاه ذرت بیش از 8% مخلوط شود، خطای نسبی پیش‌بینی خارجی آن به ترتیب کمتر از 8%، 8%، 3%، 10% و 5% است که نشان می‌دهد مدل پیش‌بینی کمی می‌تواند برای پیش‌بینی مقدار ناخالصی در زعفران استفاده شود. به طور خلاصه، روش شناسایی مبتنی بر طیف‌سنجی نزدیک به مادون قرمز قابل حمل و روش پیش‌بینی مقدار ناخالصی سریع و دقیق، اقتصادی و دوستدار محیط زیست است و می‌تواند به الزامات شناسایی سریع و غیرمخرب زعفران در محل پاسخ دهد.

The use of cloud-connected infrared spectroscopy technology combined with chemometrics to identify the rarest saffron and its commonly encountered adulterants (carthami flos, corn silk, nelumbinis stamen, chrysanthemi flos, pulp) and adulterated saffron, and quantitative determination of adulterant in saffron. Near-infrared spectra of saffron, adulterants, and adulterated saffron were collected by using the PV500R-I portable near-infrared instrument controlled by mobile phone.

The first derivative, second derivative, third derivative, standard normal variable transformation and multiplicative scatter correction are used to preprocess the original spectral data. Partial Least Squares Discrimination Analysis was used to establish the identification model of saffron and its adulterant, and saffron and adulterated saffron.

The results show that an optimal recognition model can distinguish saffron and its five kinds of adulterant from each other completely; the lowest 93% external prediction accuracy of saffron and five kinds of samples of adulterated saffron can be achieved step-by-step by two optimal recognition models, and the adulteration recognition level of saffron mixed with carthami flos, corn silk, nelumbinis stamen, chrysanthemi flos and pulp are 0.5%, 0.5%, 4.0%, 0.5% and 0.5%, respectively.

Partial least squares regression was used to establish quantitative prediction models for the five kinds adulterant in saffron. The external prediction correlation coefficient range of the final model was 0.920～0.999, and RMSEP range was 0.005～0.044, and when the saffron mixed with carthami flos, chrysanthemi flos, nelumbinis stamen, pulp and corn silk are more than 8%, its external prediction relative error is less than 8%, 8%, 3%, 10% and 5% respectively, which indicated that the quantitative prediction model could be used to predict the amount of adulterant in saffron. To sum up, the identification method based on cloud connected portable near-infrared spectroscopy and the prediction method of the amount of adulterant is fast and accurate, economic and environmental protection, and can meet the requirements of quick and non-destructive identification of saffron on site.