A machine learning-based method for adulteration detection in white rice vinegar using different non-targeted spectroscopy
यह अध्ययन प्रदर्शित करता है कि फूरियर ट्रांसफॉर्म इन्फ्रारेड (FTIR) स्पेक्ट्रोस्कोपी, जो मशीन लर्निंग के साथ जुड़ी हुई है, सफेद चावल के सिरके में सिंथेटिक एसिटिक एसिड के मिलावट का पता लगाने में नियर-इन्फ्रारेड और फ्लोरोसेंस तकनीकों से बेहतर प्रदर्शन करती है, जबकि यह अनुकूलतम प्रीप्रोसेसिंग और फीचर चयन रणनीतियों में महत्वपूर्ण परिवर्तनशीलता के कारण विशिष्ट सिरके के ब्रांडों के लिए केमोमेट्रिक मॉडल को तैयार करने की महत्वपूर्ण आवश्यकता पर प्रकाश डालती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास सफेद चावल के सिरके (white rice vinegar) की एक बोतल है, वही जो आपके अचार को कुरकुरा और सुशी को चटपटा बनाता है। अब, कल्पना कीजिए कि एक चालाक चोर कुछ पैसे बचाने के लिए उस असली, किण्वित (fermented) सिरके को सस्ते, सिंथेटिक एसिटिक एसिड के साथ बदल देता है। इसे "मिलावट" (adulteration) कहा जाता है, और यह ईमानदार खाद्य निर्माताओं के लिए एक बड़ी समस्या है।
इस चोर को पकड़ने के लिए, वैज्ञानिकों ने नकली चीज़ का पता लगाने के लिए तीन अलग-अलग "सुपर-सेंस" (super-senses) का उपयोग करने की कोशिश की: नियर-इन्फ्रारेड (NIR), फ्लोरोसेंस (EEM), और फूरियर ट्रांसफॉर्म इन्फ्रारेड (FTIR) स्पेक्ट्रोस्कोपी। इन्हें अलग-अलग तरीकों से देखने के रूप में समझें, जैसे कि सिरके के रासायनिक फिंगरप्रिंट को देखना। उन्होंने चार प्रसिद्ध सिरका ब्रांडों (Hengshun, Qianhe, Shuangyu, और Donghu) का परीक्षण किया और इसमें 0% से 50% तक नकली सिरका मिलाकर देखा कि उनके "सुपर-सेंस" अंतर को पकड़ पाते हैं या नहीं।
विजेता: इन्फ्रारेड जासूस
संख्याओं का विश्लेषण करने के बाद, शोध पत्र में पाया गया कि FTIR स्पस्पेक्ट्रोस्कोपी स्पष्ट विजेता थी। यह एक ऐसे जासूस की तरह थी जिसकी आँखें सबसे तेज़ थीं। जब टीम ने FTIR का उपयोग किया, तो वे अविश्वसनीय सटीकता के साथ असली और नकली सिरके के बीच अंतर बता सके, जो ब्रांड के आधार पर 85.00% से लेकर पूर्ण 100.00% के बीच थी।
इसके विपरीत, अन्य दो विधियाँ, NIR और EEM, उन जासूसों की तरह थीं जो भीड़ में भ्रमित हो जाते हैं। हालांकि वे कभी-कभी नकली चीज़ को पहचान सकते थे, लेकिन वे अक्सर असली सिरके को नकली से उतनी स्पष्टता से अलग करने में संघर्ष करते थे जितना कि FTIR कर सकता था। वास्तव में, कुछ ब्रांडों के लिए, EEM विधि इतनी उलझी हुई थी कि वह मिलावट के विभिन्न स्तरों के बीच अंतर बताने में सक्षम नहीं थी।
"ब्रांड व्यक्तित्व" की समस्या
यहाँ एक मोड़ है: शोध पत्र ने पाया कि हर सिरका ब्रांड का अपना एक अनूठा "व्यक्तित्व" (personality) होता है। जो तरीका Hengshun ब्रांड में नकली को पकड़ने के लिए काम करता है, वह ज़रूरी नहीं कि Qianhe ब्रांड के लिए भी काम करे।
कल्पना कीजिए कि आप एक कुत्ते को एक विशिष्ट प्रकार का कुकी (cookie) ढूँढने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। यदि आप उसे चॉकलेट चिप कुकीज़ ढूँढने के लिए प्रशिक्षित करते हैं, तो शायद वह पीनट बटर कुकी को नहीं पहचान पाएगा, भले ही वह भी एक कुकी ही हो। वैज्ञानिकों ने पाया कि उनके कंप्यूटर मॉडल को "प्रशिक्षित" करने का सबसे अच्छा तरीका इस बात पर पूरी तरह निर्भर करता था कि वे किस ब्रांड का परीक्षण कर रहे हैं। उन्हें प्रत्येक ब्रांड के लिए अलग-अलग डिजिटल उपकरणों (जिन्हें एल्गोरिदम जैसे SVM, RF, या LDA कहा जाता है) और डेटा के लिए अलग-अलग सफाई विधियों का उपयोग करना पड़ा। कोई एक एकल "जादुई समाधान" (magic bullet) नहीं था जो एक साथ हर ब्रांड के लिए पूरी तरह से काम करता हो।
सही सुराग चुनने का जादू
शोधकर्ताओं ने यह भी देखने की कोशिश की कि क्या वे केवल सबसे महत्वपूर्ण "सुरागों" (प्रकाश स्पेक्ट्रम के विशिष्ट हिस्सों) को देखकर अपने मॉडल को तेज़ और स्मार्ट बना सकते हैं। उन्होंने सुराग चुनने के लिए चार अलग-अलग तरीकों का उपयोग किया: UVE, VIP, CARS, और GA।
FTIR विधि के लिए, सही सुराग चुनना एक बड़ी सफलता थी। अधिकांश डेटा को हटा देने के बाद भी, मॉडल अत्यधिक सटीक रहे, जो अक्सर Shuangyu और Donghu जैसे ब्रांडों के लिए 100% सटीकता तक पहुँच गए। हालाँकि, अन्य विधियों (NIR और EEM) के लिए, कम सुराग चुनने से कभी-कभी उनके मॉडल और भी खराब हो गए। यह पता चला कि उन विधियों के लिए, काम को सही ढंग से करने के लिए "पूरी तस्वीर" आवश्यक थी।
उन्होंने किसे खारिज किया
शोध पत्र स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि एक ही विधि या एक ही कंप्यूटर मॉडल सभी सिरका ब्रांडों की समस्या को हल कर सकता है। उन्होंने दिखाया कि यह मानना कि सभी सिरके एक जैसे हैं, खराब परिणामों की ओर ले जाता है। उन्होंने यह भी प्रदर्शित किया कि केवल बहुत सारा डेटा होना ही पर्याप्त नहीं है; आपको उस डेटा को साफ करने और चुनने का तरीका पता होना चाहिए जो उस विशिष्ट ब्रांड पर आधारित हो जिसे आप देख रहे हैं।
वे कितने आश्वस्त हैं?
लेखक अपने परिणामों को लेकर बहुत आश्वस्त हैं क्योंकि उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक कठोर परीक्षण चलाया। उन्होंने प्रत्येक ब्रांड के लिए 80 नमूने बनाए (असली और नकली सिरका को विशिष्ट मात्रा में मिलाकर) और "5 × 5 नेस्टेड क्रॉस-वैलिडेशन" नामक एक सख्त कंप्यूटर पद्धति का उपयोग करके उनका परीक्षण किया। यह एक छात्र के ज्ञान का परीक्षण करने के लिए पांच बार पांच अलग-अलग प्रश्नों के सेट के साथ परीक्षण करने जैसा है ताकि यह सुनिश्चित किया जा सके कि वह वास्तव में सामग्री को जानता है और केवल भाग्यशाली नहीं है।
इन सिमुलेशन में, FTIR ने लगातार दूसरों से बेहतर प्रदर्शन किया। शोध पत्र निष्कर्ष निकालता है कि जबकि FTIR नकली सिरका पकड़ने के लिए एक शक्तिशाली उपकरण है, हम दुनिया में हर बोतल की जाँच करने के लिए एक विशाल रोबोट नहीं बना सकते। इसके बजाय, हमें विशिष्ट, उच्च-सटीक उपकरण बनाने की आवश्यकता है जो प्रत्येक सिरका ब्रांड के अद्वितीय "व्यक्तित्व" का सम्मान करते हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।