Rapid Detection of Patchouli Oil Adulteration Using Support Vector Machine Classification and Discriminant Analysis with Near-Infrared Spectroscopy
Notice bibliographique
Résumé
Patchouli oil (PO) is a valuable commodity in the global market due to its numerous pharmaceutical properties.Consequently, adulteration of pure patchouli oil with other oil substances has become a prevalent issue.This study aims to develop rapid and nondestructive classification models for detecting patchouli oil fraudulence using support vector machine classification (SVMC) and discriminant analysis (DA) based on nearinfrared (NIR) spectroscopic data.Pure PO was adulterated with oleoresin oil in proportions of 75:25 and 50:50 to create the adulterated samples.A total of 40 samples were used for model calibration, and 9 samples were employed for validation.NIR spectra covering a wavelength range of 1000-2500 nm were collected for all samples and preprocessed using the multiplicative scatter correction algorithm.Classification models based on SVMC and DA were developed using principal component analysis.Results demonstrated that pure patchouli oil and oleoresin oil could be accurately classified, while adulterated PO with a 50:50 proportion was detected with a maximum accuracy of 87%, and the 75:25 proportion yielded a detection accuracy of 97%.These findings suggest that combining NIR spectroscopy with appropriate classification models can efficiently detect patchouli oil adulteration in a rapid and non-destructive manner, offering a promising method for quality control in the industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».