تشخيص آفلاتوكسين پسته با استفاده از تكنيك طيف‌سنجي رامان و شبكه عصبي

Detection of Pistachio Aflatoxin Using Raman Spectroscopy and Artificial Neural Networks

آلودگی ناشی از زهرابه قارچی آفلاتوكسین به‌عنوان یك معضل اساسی برای صادرات پسته محسوب می شود. با توجه به استقبال روزافزون استفاده از تكنیك طیف‌سنجی رامان در تشخیص و تفكیك مواد مختلف و همچنین مسائل پیشروی روش‌های آزمایشگاهی سنجش سم مذكور (مانند هزینه بالا و زمان بر بودن)، هدف از این پژوهش بررسی امكان تشخیص و سنجش آفلاتوكسین پسته با تكنیك طیف سنجی رامان و استفاده از شبكه‌های عصبی بوده است. نمونه‌های مورد تحقیق در 3 سطح بدون آلودگی (سالم)، آلودگی 20 و 100 نانوگرم در گرم (ppb) از مجموع آفلاتوكسین‌های (B1+B2+G1+G2) آماده شدند. بعد از طیف برداری، با توجه به نتایج، هنجارسازی ‌داده‌های طیفی به‌عنوان روش پیش پردازش مناسب، انتخاب شد و به‌دنبال آن برای كاهش ابعاد داده های طیفی استخراج مؤلفه‌های اصلی صورت پذیرفت. برای طبقه‌بندی نمونه‌ها، شبكه پرسپترون با قانون یادگیری پس انتشار خطا (با 4 مؤلفه اصلی مؤثر به‌عنوان ورودی و 3 نرون در لایه پنهان) مورد استفاده قرار گرفت. متوسط دقت طبقه ‌بندی شبكه 98 درصد به‌دست آمد و بنابراین، مدل‌سازی غیرخطی داده‌های طیف رامان توسط شبكه عصبی پرسپترون در طبقه بندی نمونه‌ها موفقیت‌آمیز ارزیابی شد.

Pistachio contamination to aflatoxin has been known as a serious problem for pistachio exportation. With regards to the increasing demand for Raman spectroscopy to detect and classify different materials and also the current experimental and technical problems for measuring toxin (such as being expensive and time-consuming), the main objective of this study was to detect aflatoxin contamination in pistachio by using Raman spectroscopy technique and artificial neural networks. Three sets of samples were prepared: non-contaminated (healthy) and contaminated samples with 20 and 100 ppb of the total aflatoxins (B1+B2+G1+G2). After spectral acquisition, considering to the results, spectral data were normalized and then principal components (PCs) were extracted to reduce the data dimensions. For classification of the samples spectra, an artificial neural network was used with a feed forward back propagation algorithm for 4 inputs and 3 neurons in hidden layer. Mean overall accuracy was achieved to be 98 percent; therefore, non-liner Raman spectra data modeling by ANN for samples classification was successful.