سید احسان یثربی؛ ایمان ذباح؛ بهناز بهزادیان؛ علی ماروسی؛ رویا رضایی
چکیده
زعفران بهعنوان یک کالای تجاری مهم در کشور بهشمار میآید و توجه به مکانیزه کردن آن از مرحله تولید تا بستهبندی اهمیت زیادی دارد. در بدو ورود زعفران به فرایند کیفی سنجی در آزمایشگاه ، ارزیابی اولیه بر اساس مشخصات ظاهری زعفران توسط شخص خبره انجام میشود. لیکن بروز خطای انسانی در تشخیص کیفیت زعفران بر مبنای ویژگیهای ظاهری آن امری ...
بیشتر
زعفران بهعنوان یک کالای تجاری مهم در کشور بهشمار میآید و توجه به مکانیزه کردن آن از مرحله تولید تا بستهبندی اهمیت زیادی دارد. در بدو ورود زعفران به فرایند کیفی سنجی در آزمایشگاه ، ارزیابی اولیه بر اساس مشخصات ظاهری زعفران توسط شخص خبره انجام میشود. لیکن بروز خطای انسانی در تشخیص کیفیت زعفران بر مبنای ویژگیهای ظاهری آن امری اجتنابناپذیر است؛ استفاده از تکنیکهای مبتنی بر هوش مصنوعی میتواند ضمن مکانیزه کردن سیستم، در کاهش خطاهای انسانی نیز تأثیرگذار باشد. این مطالعه از نوع تشخیصی بوده و پایگاه داده آن مشتمل بر 113 نمونه زعفران با 7 ویژگی میباشد که توسط محققین این پژوهش، در مهرماه 1396 از آزمایشگاه معتبر زعفران و تحت نظارت شخص خبره جمعآوری شده است. کیفی سنجی نمونهها به کمک ویژگیها در 4 کلاس مختلف زعفران پوشال درجهیک (نگین)، پوشال درجه دو (خوب)، پوشال درجه سه (معمولی) و پوشال درجه چهار (معمولی درجهدو) انجام شده است. بهمنظور درجهبندی زعفران، از روشهای مبتنی بر شبکههای عصبی مصنوعی استفادهشده است. پس از تحلیل و مقایسه مدلهای تولیدشده با استفاده از دو نوع شبکه عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر، بالاترین دقت کلاسبندی روی نمونههای آموزش و آزمون به ترتیب با 75/93 و 75/75 درصد حاصل شد. دقت بهدستآمده نشاندهنده آن است که مدل شبکه عصبی پرسپترون چندلایه میتواند بهعنوان یک تصمیم گیر در کنار شخص خبره و یا بهصورت مستقل در مراکز آزمایشگاهی زعفران مورد استفاده قرار گیرد.