通过Vis-Nir成像,化学分析和软件计算来检测和分类香杂物

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 食品科学 食品科学 食品科学

背景情况:

• 番石榴 (Crocus sativus L.) 是世界上最昂贵的香料,因其独特的香气和颜色而受到重视.
• 高的市场价值使得沙夫兰易受各种替代品的改.
• 准确的认证方法对于确保香质量和消费者信任至关重要.

研究的目的:

• 评估各种软计算方法的有效性,以分类真假的蓝样本.
• 用RGB和光谱成像数据比较不同分类器的性能.
• 确定最优的方法,可靠地验证沙夫兰的真实性.

主要方法:

• 从真实和伪造的沙夫兰样本中获取RGB和光谱 (近红外和红带) 图像.
• 应用多个软计算分类器:辐射基函数 (RBF),多层感知器 (MLP),K-最近邻居 (KNN),支持向量机 (SVM),自组织地图 (SOM) 和学习向量量定量 (LVQ).
• 化学分析以量化沙夫兰的关键化合物 (crocin, safranal, picrocrocin) 以验证结果.

主要成果:

• 在RGB和NIR图像的训练中,K-Nearest Neighbors (KNN) 实现了100%的准确性,但显示了可变的测试准确性 (71.31%-88.10%).
• 辐射基函数 (RBF) 神经网络在训练,测试和整体阶段表现出卓越的性能.
• 在RGB图像中,RBF实现了99.52%的高精度,在光谱图像中达到94.74%.

结论:

• 软计算模型,特别是RBF神经网络,是检测和分类伪造的沙夫兰的高效工具.
• 图像分析 (RGB和光谱) 与机器学习相结合,提供了一种可靠和准确的法子来验证莎拉身份.
• 这些计算方法可以帮助打击香欺诈,并确保全球香市场的完整性.