زراعت و فناوری زعفران

چکیده زعفران یکی از گرانترین ادویه­های جهان محسوب می­شود. زعفران ادویه­ای که بسیار مورد تقلب قرار می­گیرد. توسعه تکنیک­های مبتنی بر ابزار ساده، ارزان قیمت، مناسب و سریع در صنایع غذایی جهت تشخیص تقلّباتی همچون تقلّبات زعفران ضروری است. در پژوهش حاضر، ترکیب پردازش تصویر و روش ماشین بردار پشتیبان (SVM) برای ارزیابی سریع و غیر مخرّب تشخیص زعفران واقعی از زعفران تقلبی به کار رفته است. پس از تهیه تصاویر از توده زعفران خالص و تقلّبی و کلاله­های مجزا، تصاویر وارد مراحل پیش پردازش شدند و در نهایت، ویژگی­های آماری مرتبط با بافت تصاویر و ویژگی­های مورفولوژی شامل 105 ویژگی استخراج شدند. به منظور افزایش سرعت و دقت طبقه­بندی، از روش آنالیز مؤلفه­های اصلی PCA برای کاهش ابعاد ماتریس ویژگی استفاده شد. همچنین طبقه­بندی تصاویر به کمک توابع کرنل مختلف SVM ،به صورت دو کلاس انجام شد. سپس شاخص­های آماری نظیر دقت، صحت، حساسیّت، اختصاصی بودن و سطح زیر منحنی به منظور ارزیابی طبقه­بند محاسبه شدند که مقادیر این شاخص­ها برای طبقه­بندی با کرنل کوبیک SVM برای تشخیص زعفران تقلبی از زعفران واقعی به ترتیب 97، 93، 83، 5/97و 97 درصد بدست آمد. نتایج حاصل از این طبقه­بندی نشان داد که این سیستم به عنوان یک روش هوشمند، سریع، غیرمخرب و دقیق، قابلیت تشخیص زعفران واقعی را از تقلبی  دارد.

چکیده طبقه­بندی زعفران به عنوان گران­ترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجه­بندی زعفران استفاده می­شود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونه­ها انجام می­شود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام می­گیرد. طبق نظر متخصصان، استفاده از تکنیک­های یادگیری ماشین برای طبقه­بندی زعفران به دلیل داشتن ماهیت غیر مخرب و خصوصیات بهنگام، یک هدف است. این روش همچنین می­تواند باعث افزایش دقت فرآیند درجه­بندی در مقیاس صنعتی شود. در این مقاله، یک روش مبتنی بر ماشین بینایی ارائه شده است. با توجه به عدم تحقیقات مستند در مورد این موضوع، جستجوی مشروح جامع در این کار ارائه می­شود. تقریباً تمام ویژگی­های رنگ استخراج و در تعداد زیادی از طبقه­بندی کننده­ها استفاده شد. افراد خبره در ایران زعفران را بر اساس خصوصیات ظاهری به سه طبقه اصلی یعنی پوشال، نگین و سرگل طبقه­بندی می­کنند. در این مقاله، یک بانک اطلاعاتی متشکل از 440 تصویر از زعفران برای سه کلاس مختلف با استفاده از دوربین تلفن همراه جمع­آوری شد. پس از اعمال تعدادی از مراحل پیش پردازش مانند حذف پس زمینه، بریدن و حذف مناطق ناخواسته تصاویر و غیره ، 21 ویژگی رنگی با استفاده از روش های مختلف تحلیل تصویر استخراج شد. برای طبقه­بندی از 22 طبقه­بندیگر استفاده شدند. مقایسه نتایج طبقه­بندی کننده­های مختلف نشان داد که Linear Discriminant ، Linear SVM، Bagged Trees و RUSBoost Trees می توانند در هنگام استفاده از ویژگی­های رنگی، درجه­بندی دقیق­تری را نسبت به سایر طبقه­بندی کننده­ها ایجاد کنند. به طور خاص، دراین کار، میانگین دقت 23/82 درصد با استفاده از طبقه­بندی­کننده خطی SVM بدست آمد.