شناسایی تقلب در پودر دارچین با استفاده از تصویربرداری فراطیفی

دارچین یکی از ادویه‌های مهم است که دارای خواص دارویی نیز می‌باشد. تشخیص تقلب در پودر دارچین با استفاده از روش‏های آزمایشگاهی پرهزینه، زمان‌بر و نیازمند متخصص است. هدف از تحقیق حاضر تشخیص تقلب در پودر دارچین با استفاده از تصویربرداری فراطیفی است. تصویربرداری فراطیفی به طور گسترده‌ای در ارزیابی کیفیت مواد غذایی استفاده شده است. در پژوهش حاضر تعداد 15 نمونه دارچین با سطوح تقلب 0، 5، 15، 30 و 50 درصد تهیه گردید. مواد تقلبی شامل آرد نخود، آرد گندم و کف دریا بوده که به طور جداگانه مورد استفاده قرار گرفتند. سامانه تصویربرداری فراطیفی نور ساتع شده از نمونه‏ها در محدوده مرئی و فروسرخ نزدیک از طول موج 400 تا 950 نانومتر را دریافت و به صورت تصویر فراطیفی در رایانه ذخیره نمود. پس از انتخاب طول موج‏های موثر و استخراج ویژگی از تصاویر، ویژگی‏های کارا انتخاب و با استفاده از روش ماشین بردار پشتیبان طبقه‏بندی شدند. نرخ طبقه‏بندی صحیح مدل طبقه‌بند با راهبرد یکی در برابر یکی در طبقه‏بندی ویژگی‏های کارای انتخاب شده از تصاویر فراطیفی مرتبط با نور ساتع شده از نمونه‏ها در محدوده مرئی و فروسرخ نزدیک به منظور تشخیص تقلب آرد گندم، نخود، و کف دریا در دارچین به ترتیب برابر 95.55، 85.56، و 96.66 درصد و نرخ طبقه‏بندی صحیح آن با راهبرد  یکی در برابر همه به ترتیب برابر 78.88، 77.77، و 94.44 درصد بود.

detection of adulteration in cinnamon powder using hyperspectral imaging

cinnamon is one of the most important spices that has medicinal properties. detecting adulteration in cinnamon powder using laboratory methods is expensive, time-consuming, and requires expert. hyperspectral imaging is specifically used in the assessment of food safety and quality. the purpose of the present research is to detect adulteration in cinnamon powder using hyperspectral imaging. in the present study, 15 samples of cinnamon were prepared with 0, 5, 15, 30 and 50% adulteration levels. the adulterants were chickpea flour, wheat flour, and sea foam that were used separately. the hyperspectral imaging system received the light emitted from the samples in the visible and near-infrared ranges from 400 to 950 nm wavelength and recorded their hyperspectral images in the computer. after selecting the effective wavelengths and extracting the features from the images, the efficient features were selected and then classified using the support vector machine method. the correct classification rates of the classifier with one-against-one strategy in classification of the efficient features selected from the hyperspectral images related to the light emitted from the visible and infrared ranges to detect adulteration of wheat flour, chickpea flour, and sea foam powder in cinnamon were 95.55, 85.56, and 96.66%, respectively. its correct classification rates with one-against-all strategy were equal to 78.88, 77.77, and 94.44%, respectively.