تجزیه و تحلیل تقلبات در ادویه دارچین با استفاده از طیف سنجی: تاثیر پیش پردازش داده ها بر مدل های پیش بینی چندمتغیره

تشخیص تقلب در زنجیره تامین دارچین برای تضمین ایمنی مصرف کننده و حفظ یکپارچگی محصول، امری حیاتی است. پیشرفت های اخیر در تکنیک های پیش پردازش داده های طیفی، دقت تشخیص ناخالصی ها در ادویه هایی مانند دارچین را بهبود بخشیده اند. این مطالعه به بررسی تاثیر تکنیک های مختلف پیش پردازش طیفی بر پیش بینی ناخالصی های مخلوط شده با پودر دارچین می پردازد—به طور مشخص پودر سویا، پودر پوست فندق، و پودر نان خشک—که از ترکیب طیف سنجی و تحلیل چندمتغیره بهره می برد.طیف های عبوری در محدوده فروسرخ میانی (۴۰۰ تا ۴۰۰۰ سانتی متر⁻¹) جمع آوری شدند و رگرسیون حداقل مربعات جزئی (PLSR) برای مدل سازی سطوح تقلب بر اساس این طیف ها به کار گرفته شد. برای بهینه سازی داده های طیفی، روش های پیش پردازش مختلفی اعمال گردید. در این میان، تصحیح سیگنال متعامد (OSC) در ترکیب با روندزدایی (detrending) بالاترین دقت پیش بینی را نشان داد، با ضریب پیش بینی (R²p) در بازه ۰.۹۰۰ تا ۰.۹۸۱. در مقابل، روش های تصحیح پراکندگی ضربی توسعه یافته (EMSC) و مشتق دوم ساویتزکی-گولای (D۲) عملکرد ضعیف تری داشتند و R²p آن ها بین ۰.۱۱۵ تا ۰.۹۳۱ متغیر بود. در میان ناخالصی ها، پودر سویا آسان ترین ماده برای شناسایی بود و دامنه خطای پیش بینی آن بین ۵ تا ۱۰ درصد قرار داشت. این یافته ها بر اهمیت انتخاب تکنیک پیش پردازش مناسب برای بهبود دقت تشخیص تقلب در پودر دارچین با استفاده از روش های طیف سنجی تاکید می کنند.

کلیدواژه ها:

تقلبات ، شیمی سنجی ، پیش پردازش داده ها ، ایمنی مواد غذایی ، تحلیل طیفی