تلفیق بینایی ماشین و بینی الکترونیکی به عنوان سیستم‌های غیرمخرب برای تشخیص تقلب در زعفران

این پژوهش به توسعه و ارزیابی یک سیستم یکپارچه مبتنی بر سیستم بینایی ماشین (CVS) و بینای الکترونیکی (e-nose) برای تشخیص تقلب در زعفران می‌پردازد. در این کار، ۱۰ نمونه زعفران که با دو جزء غیرقانونی رایج، یعنی زعفران مارگارین رنگ‌آمیزی‌شده مصنوعی (Artificially Colored Safflower – ACS) و پوسته‌های زرد رنگ‌آمیزی‌شده مصنوعی زعفران (Artificially Colored Yellow Styles of Saffron – ACYSS) در سطوح مختلف ۱۰ تا ۵۰ درصد وزنی (w/w) آلوده شده بودند، مورد مشخصه‌یابی قرار گرفتند. در ابتدا، سیستم توسعه‌یافته CVS و e-nose با یکدیگر ادغام شدند تا یک سیستم واحد تشکیل دهند. این چیدمان برای استخراج متغیرهای مشخصه رنگ و عطر هر نمونه مورد استفاده قرار گرفت. متغیرهای استخراج‌شده با استفاده از تحلیل مؤلفه‌های اصلی (PCA)، تحلیل خوشه‌بندی سلسله‌مراتبی (HCA) و ماشین‌های بردار پشتیبان (SVMs) پردازش شدند تا قابلیت تشخیص سیستم توسعه‌یافته را اثبات کنند. همچنین، دو مدل شبکه عصبی مصنوعی چندلایه (ANN-MLP) برای پیش‌بینی رنگ و شدت عطر زعفران بر اساس استانداردهای ISO به کار گرفته شدند. نتایج PCA و HCA برای داده‌های رنگ و عطر نشان داد که نمونه‌های آلوده از نظر شدت رنگ و عطر با زعفران اصلی متفاوت هستند و می‌توانند به وضوح از آن تمایز داده شوند. طبقه‌بند SVMs توافق خوبی با نتایج PCA نشان داد و به ترتیب نرخ موفقیت ۸۹٪ و ۱۰۰٪ را در تشخیص نمونه‌های مختلف زعفران بر اساس داده‌های رنگ و عطر کسب کرد. نتایج دو مدل ANN-MLP نیز ثابت کرد که سیستم توسعه‌یافته توانایی تمایز بین نمونه‌های زعفران اصلی و تقلبی را بر اساس شدت رنگ و عطر آن‌ها دارد.

This work deals with the development and evaluation of an integrated system based on computer vision system (CVS) and electronic nose (e-nose) for saffron adulteration detection. Ten saffron samples adulterated with two common illegal constituents, namely, Artificially Colored Safflower (ACS) and Artificially Colored Yellow Styles of Saffron (ACYSS) at levels ranging from 10 to 50% (w/w) were characterized in this work. First, the developed CVS and e-nose system were integrated to form a unit system. This set up was utilized to extract color and aroma characteristic variables of each sample. The extracted variables were processed using Principal Component Analysis (PCA), Hierarchical Cluster Analysis (HCA), and Support Vectors Machines (SVMs) to demonstrate the discrimination capability of the developed system. Two multilayer artificial neural network (ANN-MLP) models were also employed for saffron color and aroma strength prediction based on ISO standards. PCA and HCA results of the color and aroma datasets revealed that the adulterated samples have different color and aroma strength compared to authentic saffron and they can clearly be distinguished. SVMs classifier showed good agreement with the PCA results and reached 89% and 100% success rate in the recognition of the different saffron samples based on their color and aroma datasets, respectively. Results of the two ANN-MLP models proved that the developed system is capable of differentiating the authentic and adulterated saffron samples based on their color and aroma strength