تشخيص آفلاتوكسين پسته با استفاده از تكنيك طيف سنجي رامان و شبكه عصبي

Detection of Pistachio Aflatoxin Using Raman Spectroscopy and Artificial Neural Networks

آلودگي ناشي از زهرابه قارچي آفلاتوكسين به عنوان يك معضل اساسي براي صادرات پسته محسوب مي شود. با توجه به استقبال روزافزون استفاده از تكنيك طيف سنجي رامان در تشخيص و تفكيك مواد مختلف و همچنين مسائل پيشروي روش هاي آزمايشگاهي سنجش سم مذكور (مانند هزينه بالا و زمانبر بودن)، هدف از اين پژوهش بررسي امكان تشخيص و سنجش آفلاتوكسين پسته با تكنيك طيف سنجي رامان و استفاده از شبكه هاي عصبي بوده است. نمونه هاي مورد تحقيق در 3 سطح بدون آلودگي (سالم)، آلودگي 20 و 100 نانوگرم در گرم ppb از مجموع آفلاتوكسين هاي ( B1+B2+G1+G2 ) آماده شدند. بعد از طيف برداري، با توجه به نتايج، هنجارسازي داده هاي طيفي به عنوان روش پيش پردازش مناسب، انتخاب شد و به دنبال آن براي كاهش ابعاد داده هاي طيفي استخراج مؤلفه هاي اصلي صورت پذيرفت. براي طبقه بندي نمونه ها، شبكه پرسپترون يك لايه با قانون يادگيري پس انتشار خطا (با 4 مولفه اصلي موثر به عنوان ورودي و 3 نرون در لايه پنهان) مورد استفاده قرار گرفت. متوسط دقت طبقه بندي شبكه 98 درصد به دست آمد و بنابراين، مدلسازي غيرخطي داده هاي طيف رامان توسط شبكه عصبي پرسپترون در طبقه بندي نمونه ها موفقيت آميز ارزيابي شد.

Pistachio contamination to aflatoxin has been known as a serious problem for pistachio exportation. Regarding to increasing demand for Raman spectroscopy to detect and classify of different materials and also the current experimental technique problems for measuring toxin (like cost 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 levels of samples were prepared, noncontaminated (healthy) and contaminated samples with 20 and 100 ppb of the total aflatoxins (B1+B2+G1+G2). After spectrums acquisition, considering to principal components analysis (PCA) results, Normalization preprocessing method was selected and then principal components (PCs) were extracted to reduce the data dimensions. For classification of the samples spectrum, one layer perseptron feed forward back propagation artificial neural networks (4 inputs and 3 neurons on hidden layer) was used. Mean overall accuracy was achieved 98 percent, therefore non-liner Raman spectra data modeling by ANN for samples classification was successful