<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه تربت حیدریه</PublisherName>
				<JournalTitle>زراعت و فناوری زعفران</JournalTitle>
				<Issn>2383-1529</Issn>
				<Volume>14</Volume>
				<Issue>1</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>03</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Design and Development of a Deep Learning-Powered Imaging System for Automated Classification of Saffron Based on Stigma Curvature Degree</ArticleTitle>
<VernacularTitle>طراحی و ساخت سامانه تصویربرداری مجهز به یادگیری عمیق برای طبقه بندی خودکار زعفران بر اساس میزان انحنای کلاله</VernacularTitle>
			<FirstPage>63</FirstPage>
			<LastPage>85</LastPage>
			<ELocationID EIdType="pii">255344</ELocationID>
			
<ELocationID EIdType="doi">10.22048/jsat.2026.586143.1594</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>ایمان</FirstName>
					<LastName>ذباح</LastName>

						<AffiliationInfo>
						<Affiliation>گروه علمی مهندسی برق و کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران</Affiliation>
						</AffiliationInfo>

						<AffiliationInfo>
						<Affiliation>پژوهشگر پژوهشکده زعفران تربت حیدریه.</Affiliation>
						</AffiliationInfo>

</Author>
<Author>
					<FirstName>فاطمه</FirstName>
					<LastName>کمالی نیا</LastName>
<Affiliation>گروه علمی مهندسی برق و کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران</Affiliation>

</Author>
<Author>
					<FirstName>زهرا</FirstName>
					<LastName>حیدران داروقه امنیه</LastName>
<Affiliation>گروه برق، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران.</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2026</Year>
					<Month>07</Month>
					<Day>06</Day>
				</PubDate>
			</History>
		    <Abstract>Saffron, one of the world’s most valuable spices, is often graded based on the physical characteristics of its threads. The degree of curvature in saffron threads is a key indicator of quality. Currently, the initial visual assessment of saffron in laboratories and export companies is performed by human experts, which makes human error highly probable. This study presents an AI-based approach for classifying saffron threads into three categories: Grade 1 (no curl, low curvature), Grade 2 (curled, moderate curvature), and Grade 3 (highly curled, high curvature), utilizing deep learning techniques. Additionally, a dedicated imaging system was designed and constructed to capture high-quality images of saffron threads. A dataset of 450 saffron thread samples (150 samples per grade) was collected using this system, with a hardware platform optimized for minimal noise during image acquisition. Two deep learning architectures, Convolutional Neural Network (CNN) and Google_Net, were employed for classification. Furthermore, three optimization algorithms—ADAM, SGDM, and RMSprop—were evaluated for both networks. In the best scenario, the CNN achieved an accuracy of 72.53%, while the Google_Net, utilizing the ADAM optimizer, achieved an accuracy of 86.81%, a sensitivity of 86.7%, a specificity of 93.4%, and an F1-score of 86.8% in detecting the curvature of saffron stigmas. The results demonstrate that the Google_Net model performs effectively in classifying saffron stigma curvature. This study highlights the potential of deep learning and image processing as non-destructive methods for automating the quality assessment of saffron threads, offering a scalable and efficient solution for the automated classification of saffron stigmas.</Abstract>
			<OtherAbstract Language="FA">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.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سامانه تصویربرداری زعفران</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری عمیق</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکه‌های عصبی کانولوشنی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ارزیابی کیفیت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">گوگل نت</Param>
			</Object>
		</ObjectList>
</Article>
</ArticleSet>
