شناسایی منشأ زعفران و تعیین محتوای کروسین بر اساس بینایی ماشین و طیف‌سنجی مرئی-نزدیک مادون قرمز

زعفران نوعی محصول همولوگ دارویی-غذایی با ارزش زینتی، خوراکی، دارویی و اقتصادی است و شناسایی منشا زعفران و تعیین مقدار اجزای موثر آن نقش مهمی در ارزیابی ارزش اقتصادی و اثربخشی درمانی آن دارد. در این مطالعه، محتوای کروسین در نمونه‌های زعفران از زیستگاه‌های مختلف با فناوری UPLC شناسایی شد، ویژگی‌های رنگ و شکل زعفران با فناوری بینایی ماشین استخراج گردید و متغیرهای ویژه طیفی زعفران با ترکیب فناوری طیف‌سنجی مرئی-نزدیک مادون قرمز و الگوریتم k-نزدیک‌ترین همسایه (KNN) انتخاب شدند.

مدل KNN برای شناسایی منشا زعفران ساخته شد که نتایج نشان داد، ترکیب بینایی ماشین با متغیرهای طیفی مرئی-نزدیک مادون قرمز توانست منشا زعفران را با دقت ۹۰.۳۲٪ شناسایی کند. همچنین، شبکه عصبی پس‌انتشار (BP-ANN) برای تعیین میزان کروسین در زعفران ایجاد شد. نتایج نشان داد که طیف‌سنجی مرئی-نزدیک مادون قرمز می‌تواند محتوای کروسین در زعفران را بهتر پیش‌بینی کند. ضریب همبستگی کروسین I در مجموعه پیش‌بینی ۰.۹۸۸۳ و کروسین II برابر ۰.۹۹۸۲ بود. نتایج فوق نشان داد که این فناوری می‌تواند به سرعت برای شناسایی منشا زعفران و تعیین میزان کروسین استفاده شود.

Saffron is a kind of medicine food homologous products with ornamental, edible, medicinal and economic value, and the identification of the origin of saffron and the determination of the content of its effective components play an important role in the evaluation of its economic value and medicinal efficacy. In this study, the content of crocin in saffron samples from different habitats was detected by UPLC technology, the color and shape features of saffron were extracted by machine vision technology, and the spectral feature variables of saffron were screened by visible-near infrared technology combined with variables; k-nearest neighbor algorithm (KNN) model was established to identify the origin of saffron. The result shows that machine vision combined with visible-near infrared spectral variables could identify the origin of saffron, and the recognition rate of KNN model is 90.32%.

Back propagation neural network (BP-ANN) was established to determine the content of crocin in saffron. The result shows that visible-near infrared spectroscopy could better predict the content of crocin in saffron. The correlation coefficient of crocin I in prediction set was 0.9883, the correlation coefficient of crocin Ⅱ in prediction set was 0.9982. The above results showed that the technology could be used to identify the origin of saffron and determine the content of crocin rapidly.