طراحی و ساخت سامانه تصویربرداری مجهز به یادگیری عمیق برای طبقه بندی خودکار زعفران بر اساس میزان انحنای کلاله
دوره 14، شماره 1، بهار 1405، صفحه 63-85
https://doi.org/10.22048/jsat.2026.586143.1594
ایمان ذباح، فاطمه کمالی نیا، زهرا حیدران داروقه امنیه
چکیده زعفران یکی از با ارزشترین ادویه های جهان، اغلب بر اساس ویژگیهای فیزیکی رشتههای آن درجهبندی میشود. میزان انحنای رشته های زعفران یکی از شاخصهای کلیدی کیفیت است. ارزیابی اولیه ظاهری زعفران در آزمایشگاه و شرکت های صادرکننده توسط شخص خبره انجام می شود که بروز خطای انسانی را بسیار محتمل می کند. این مطالعه ضمن طراحی و ساخت یک سامانه تصویر برداری به منظور عکس برداری صحیح از زعفران ، یک رویکرد مبتنی بر هوش مصنوعی برای طبقهبندی رشتههای زعفران به سه طبقه، درجه ۱: بدون کلاف، (انحنای کم)؛ درجه۲ : کلاف، (انحنای متوسط)؛ درجه ۳: کاملا کلاف، (انحنای زیاد) و با استفاده از تکنیکهای یادگیری عمیق ارائه میدهد. یک مجموعه داده از ۴۵۰ نمونه رشته زعفران (۱۵۰ نمونه برای هر درجه) توسط سامانه، نمونه برداری شده است؛ پلتفرم سخت افزاری به گونه ای است که امکان تصویر برداری از زعفران با حداقل نویز را داشته باشد. دو شبکه یادگیری عمیق کانولوشنی و گوگل نت برای طبقهبندی استفاده شده اند. همچنین سه الگوریتم بهینه ساز ADAM ، SGDM و RMSprop در دو شبکه مورد بررسی قرار گرفته است. در بهترین حالت، شبکه عصبی کانولوشنی با دقت ۷۲.۵۳٪ و شبکه Google-Net توانست با دقت ۸۶.۸۱٪، حساسیت (Sensitivity) معادل ۸۶.۷٪، ویژگی (Specificity) معادل ۹۳.۴٪ و امتیاز F1-score برابر با ۸۶.۸ %، میزان انحنای کلاله زعفران را به وسیله بهینهساز ADAM تشخیص دهد. نتایج نشان میدهند که شبکه Google-Net برای طبقهبندی انحنای کلاله زعفران عملکرد قابلقبولی دارد. این مطالعه پتانسیل یادگیری عمیق و پردازش تصویر را بهعنوان یک روش غیرمخرب در خودکارسازی ارزیابی کیفیت رشتههای زعفران نشان میدهد و راه حلی مقیاسپذیر و کارآمد بهمنظور طبقهبندی خودکار کلاله زعفران ارائه میکند.
