Phát hiện gian lận bằng hóa trắc học không bắt đầu từ thuật toán mà bắt đầu từ câu hỏi: mẫu nguyên bản biến động trong phạm vi nào và chất pha tạp nào thực sự cần phát hiện.
Hóa trắc học mở rộng khả năng phát hiện gian lận
Gian lận trong cà phê hòa tan khó phát hiện nếu chỉ tìm một chất vì nhiều nguyên liệu có tín hiệu chồng lấn. Hóa trắc học sử dụng nhiều biến đồng thời để tìm mẫu hình khác với nhóm nguyên bản. Các nghiên cứu đã kết hợp phổ, sắc ký hoặc khối phổ với các mô hình phân loại và hồi quy.
Điểm mạnh của cách tiếp cận này là không cần biết trước một dấu hiệu duy nhất. Tuy nhiên, nó chỉ đáng tin khi tập mẫu đại diện cho cả biến động tự nhiên của cà phê và những chất pha tạp có khả năng xuất hiện.
Xây dựng nhóm mẫu nguyên bản
Mẫu nguyên bản phải bao phủ nguồn, giống, mức rang và các biến tự nhiên quan trọng. Nếu nhóm này quá hẹp, mô hình có thể xem một biến động bình thường là dấu hiệu gian lận.
Các mẫu pha tạp cũng cần được chuẩn bị theo khoảng nồng độ có ý nghĩa. Cách xây dựng này giúp mô hình học cả ranh giới phân loại và xu hướng định lượng.
Tiền xử lý và giảm chiều
Dữ liệu phổ thường có nhiễu, ảnh hưởng tán xạ và tương quan cao. Các bước chuẩn hóa và giảm chiều có thể làm tín hiệu hữu ích rõ hơn. Nhưng mỗi bước cần được kiểm tra trong quy trình xác thực để tránh tối ưu quá mức.
Nếu thử quá nhiều cách tiền xử lý trên cùng tập kiểm tra rồi chọn kết quả tốt nhất, độ chính xác báo cáo có thể bị thổi phồng. Quy trình lựa chọn phải được khóa trước khi đánh giá cuối.
Phân loại và định lượng trả lời hai câu hỏi
Phân loại trả lời mẫu có thuộc nhóm nguyên bản hay không; định lượng trả lời mức pha tạp khoảng bao nhiêu. Hai nhiệm vụ này cần mô hình và chỉ tiêu đánh giá khác nhau.
Nghiên cứu dấu vân tay HPLC đã cho thấy khả năng vừa phân biệt cà phê pha rễ rau diếp xoăn, lúa mạch hoặc bột vừa ước lượng mức pha trong điều kiện nghiên cứu. Nghiên cứu ảnh phổ cận hồng ngoại năm 2026 cũng cho thấy khả năng phát hiện và định lượng Robusta pha vào Arabica.
Độ chính xác cao chưa đủ để triển khai
Mô hình có thể đạt kết quả rất cao trong dữ liệu nghiên cứu nhưng giảm khi gặp mẫu thương mại mới. Kiểm tra ngoài tập dữ liệu và mẫu từ nguồn độc lập là cách quan trọng để đánh giá khả năng tổng quát.
Ngoài ra cần xem xét tỷ lệ mẫu gian lận trong thực tế. Nếu nhóm gian lận hiếm, chỉ số độ chính xác tổng thể có thể gây hiểu nhầm; cần xem độ nhạy, độ đặc hiệu và lỗi của từng nhóm.
Mẫu cảnh báo cần được xác nhận
Hóa trắc học nên hoạt động như tầng sàng lọc. Khi mẫu bị cảnh báo, phương pháp mục tiêu hoặc phương pháp xác nhận cần được dùng để tìm nguyên nhân. Điều này tránh việc một khoảng cách thống kê bị biến thành kết luận pháp lý hoặc thương mại.
Hệ thống cũng cần cơ chế cập nhật khi xuất hiện chất pha tạp mới. Mô hình không thể tự biết một chất chưa từng xuất hiện trong dữ liệu huấn luyện.
Hóa trắc học tạo một lớp phát hiện sớm giúp tập trung phép phân tích sâu vào những mẫu có dấu hiệu bất thường, chứ không thay thế phòng kiểm nghiệm.
Một vấn đề quan trọng của hóa trắc học là mất cân bằng lớp. Nếu mẫu gian lận hiếm hơn nhiều so với mẫu nguyên bản, độ chính xác tổng thể có thể rất cao ngay cả khi mô hình bỏ sót một phần mẫu gian lận. Vì vậy, cần xem các chỉ số riêng cho từng lớp.
Mô hình cũng phải được kiểm tra bằng dữ liệu chưa từng xuất hiện trong quá trình xây dựng. Với mẫu cà phê từ nguồn mới, biến động tự nhiên có thể lớn hơn dự kiến. Nếu mô hình không được kiểm tra ngoài phạm vi, kết quả triển khai sẽ thiếu chắc chắn.
Khi xuất hiện một dạng pha tạp mới, hệ thống cần có quy trình bổ sung mẫu và cập nhật mô hình. Một mô hình hóa trắc học tốt vì vậy phải được quản lý như một công cụ chất lượng sống, không phải một tệp thuật toán cố định.
Một nguyên tắc quan trọng là không để dữ liệu của cùng một lô xuất hiện ở cả tập huấn luyện và tập kiểm tra. Nếu điều đó xảy ra, mô hình có thể học dấu hiệu riêng của lô thay vì quy luật chung. Khi chia dữ liệu, nên cân nhắc nguồn, ngày sản xuất và lô để kiểm tra thật sự độc lập. Đây là điều đặc biệt quan trọng với các mô hình phát hiện gian lận, vì mục tiêu cuối cùng là nhận diện mẫu chưa từng gặp.
Một hệ thống hóa trắc học đáng tin cậy cũng cần xem xét khả năng giải thích. Nếu mô hình cảnh báo một mẫu, người vận hành cần biết mẫu đó khác nhóm chuẩn ở mức nào và có cần xác nhận bằng phương pháp nào. Điều này làm cho kết quả thống kê trở thành thông tin có thể hành động.
Tài liệu tham khảo
- Authenticity Assessment and Fraud Quantitation of Coffee Adulterated with Chicory, Barley, and Flours, 2021.
- Malavi et al., Food Control, 2026.
- Briandet, Kemsley & Wilson, Journal of the Science of Food and Agriculture, 1996.
Detecting fraud with chemometrics doesn't start from the algorithm but from the question: within what range does authentic material vary, and which adulterant actually needs detecting.
Chemometrics expands fraud-detection capability
Fraud in instant coffee is hard to detect if you only search for one substance, since many materials have overlapping signals. Chemometrics uses many variables simultaneously to find patterns differing from the authentic group. Studies have combined spectroscopy, chromatography, or mass spectrometry with models.
The strength of this approach is not needing to know a single signature in advance. However, it's only reliable when the sample set represents both coffee's natural variation and the adulterants likely to appear.
Building the authentic sample group
Authentic samples must cover source, variety, roast level, and important natural variables. If this group is too narrow, the model can treat normal variation as a fraud signal.
Adulterated samples also need preparing across a meaningful concentration range. This construction approach helps the model learn both the classification boundary and the quantitative trend.
Preprocessing and dimension reduction
Spectral data usually has noise, scatter effects, and high correlation. Normalization and dimension-reduction steps can make useful signal clearer. But each step needs testing within the validation procedure to avoid over-optimization.
If you try too many preprocessing approaches on the same test set and then pick the best result, reported accuracy can be inflated. The selection procedure must be locked before final evaluation.
Classification and quantification answer two questions
Classification answers whether a sample belongs to the authentic group; quantification answers approximately what level of adulteration is present. These two tasks need different models and evaluation criteria.
HPLC fingerprinting research has shown the ability to both distinguish coffee adulterated with chicory root, barley, or flours and estimate the blending level under research conditions. A 2026 near-infrared hyperspectral imaging study also showed the ability to detect and quantify Robusta blending.
High accuracy isn't enough for deployment
A model can achieve very high results in research data but degrade when encountering new commercial samples. Testing outside the dataset and on samples from independent sources is an important way to assess generalization ability.
You also need to consider the actual proportion of fraudulent samples. If the fraud group is rare, an overall accuracy metric can be misleading; you need to look at sensitivity, specificity, and error for each group.
Flagged samples need confirmation
Chemometrics should operate as a screening layer. When a sample is flagged, a targeted or confirmatory method needs to be used to find the cause. This avoids a statistical distance being turned into a legal or commercial conclusion.
The system also needs an update mechanism when a new adulterant appears. A model can't know on its own about a substance that never appeared in the training data.
Chemometrics creates an early-detection layer helping focus in-depth analysis on samples with abnormal signs, rather than replacing the testing laboratory.
An important chemometrics issue is class imbalance. If fraudulent samples are far rarer than authentic samples, overall accuracy can be very high even when the model misses part of the fraudulent samples. So you need to look at per-class metrics.
An important principle is not letting data from the same lot appear in both training and test sets. If that happens, the model can learn the lot's specific signature rather than a general rule. When splitting data, you should consider source, production date, and lot.
A trustworthy chemometrics system also needs to consider explainability. If the model flags a sample, the operator needs to know how much it differs from the reference group and which method should confirm it. This turns a statistical result into actionable information.
References
- Authenticity Assessment and Fraud Quantitation of Coffee Adulterated with Chicory, Barley, and Flours, 2021.
- Malavi et al., Food Control, 2026.
- Briandet, Kemsley & Wilson, Journal of the Science of Food and Agriculture, 1996.