تشخیص تقلب زعفران با ماده به سبک Crocus sativus با استفاده از تصویربرداری فراطیفی NIR و کمومتری

زعفران یک ادویه با ارزش است که اغلب مورد تقلب قرار می‌گیرد. این مطالعه استفاده از تصویربرداری فراطیفی مادون قرمز نزدیک (NIR-HSI) و شیمی سنجی را به عنوان روشی سریع و مقرون به صرفه برای تشخیص و تعیین کمیت تقلب در کلاله‌های زعفران پیشنهاد می‌کند. نمونه‌های زعفران تقلبی با افزودن اجزایی به مدل Crocus sativus به کلاله‌های زعفران خالص در غلظت‌های مختلف (90-20 درصد) تهیه شد. داده‌های طیفی با استفاده از متغیر نرمال استاندارد (SNV) و تصحیح پراکندگی ضربی (MSC) تیمار شدند و از کاهش متغیر توسط تجزیه و تحلیل مؤلفه اصلی (PCA) و حداقل مربعات جزئی (PLS) استفاده شد. طبقه‌بندی با استفاده از مدل‌های تحلیل تشخیص خطی (LDA)، PLS-DA، ماشین بردار پشتیبان (SVM) و پرسپترون چند لایه (MLP) انجام شد، در حالی که کمی‌سازی با مدل‌های رگرسیون مبتنی بر PLS، PCA، SVM و MLP به دست آمد. روش HSI به نرخ‌های طبقه‌بندی صحیح 95.6% تا 100% در تمایز زعفران اصیل از تقلب‌کننده‌های گیاهی و زعفران تقلبی در تمامی مدل‌ها دست یافت. مدل‌های رگرسیونی برای تعیین کمیت درصد تقلب در زعفران، توانایی پیش‌بینی عالی را با تقریباً همه مدل‌ها نشان دادند که مقادیر RPD (انحراف پیش‌بینی باقی‌مانده) 3.0-5.4 را به دست آوردند. مدل MLP ( با یک لایه پنهان با 3 نورون) ساخته شده از داده‌های از پیش پردازش شده SNV و داده‌های کاهش‌یافته ( PLS 15 LV)، قابلیت‌های پیش‌بینی استثنایی را با R2p 0.97، خطای میانگین مربعات ریشه (RMSEP) به میزان 4.3٪ نشان داد و RPD معادل 5.4. بود. نتایج حاصله، پتانسیل مناسب NIR-HSI و شیمی سنجی را برای تشخیص سریع و غیر مخرب و تعیین کمیت سبک در کلاله زعفران نشان می دهد.

Saffron is a valuable spice that is often adulterated. This study proposes using near-infrared hyperspectral imaging (NIR-HSI) and chemometrics as a fast and cost-effective method for detecting and quantifying adulteration in saffron stigmas. Adulterated saffron samples were prepared by adding Crocus sativus style to pure saffron stigmas in varying concentrations (20–90%). The spectral data were pre-treated using standard normal variate (SNV), and multiplicative scatter correction (MSC), while variable reduction was performed by Principal Component Analysis (PCA) and Partial Least Squares (PLS). Classification was done using Linear Discriminant Analysis (LDA), PLS-DA, Support Vector Machine (SVM), and Multi-layer Perceptron (MLP) models, while quantification was achieved by PLS, PCA, SVM, and MLP-based regression models. The HSI technique achieved correct classification rates of 95.6%–100% in discriminating authentic saffron from plant adulterants and adulterated saffron across all the models. Regression models to quantify the percentage style adulteration in saffron demonstrated excellent prediction abilities with almost all models achieving RPD (Residual Predictive Deviation) values of 3.0–5.4. The MLP model (1 hidden layer with 3 neurons) built from SNV pre-processed and PLS reduced data (15 LVs), showed exceptional predictive capabilities, with an R2p of 0.97, a Root Mean Squared Error of Prediction (RMSEP) of 4.3%, and an RPD of 5.4. The results demonstrate the potential of NIR-HSI and chemometrics for rapid and nondestructive detection and quantification of style in saffron stigmas