ارزیابی فازی ویژگیهای ظاهری زعفران با استفاده از روشهای مبتنی بر هوش مصنوعی

ایران بزرگ‌ترین تولیدکننده زعفران در جهان است. زعفران از اهمیت اقتصادی بالایی برخوردار است و به دلیل افزایش فعالیت رقبا در حوزه صادرات، نیازمند حمایت، توسعه و گسترش صادرات می‌باشد. روند رو به رشد سهم صادرات زعفران از یک سو و ایجاد درآمد و کارآفرینی برای ساکنین روستایی از سوی دیگر، ضرورت توجه ویژه به این محصول را دوچندان کرده است. رقابت در این زنجیره تأمین، علیرغم وجود رقبا قدرتمند، از طریق مکانیزه کردن فرایندها از کاشت تا برداشت، درجه‌بندی و بسته‌بندی امکان‌پذیر خواهد بود. بنابراین، ارزیابی ویژگی‌های فیزیکی زعفران برای درجه‌بندی مناسب آن ضروری است.

در این مطالعه، ویژگی‌های فیزیکی به منظور درجه‌بندی زعفران با استفاده از روش‌های مختلف هوش مصنوعی از جمله شبکه‌های عصبی پرسپترون چندلایه (MLP)، یادگیری بردارهای کمّی (LVQ)، نقشه‌های خودسازمان‌دهی (SOM)، شبکه‌های عصبی فازی (FNN) و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) مورد بررسی قرار گرفت. پایگاه داده مورد مطالعه شامل ۱۱۳ نمونه زعفران بود که به ۴ کلاس زعفران نگین (بالاترین کیفیت)، زعفران درجه ۲ (خوب)، زعفران درجه ۳ (نرمال) و زعفران درجه ۴ (ضعیف) تقسیم‌بندی شده بودند. نتایج تحلیل نشان داد که مدل ANFIS در درجه‌بندی زعفران با در نظر گرفتن ابهامات نسبت به سایر روش‌ها برتری دارد، با دقت طبقه‌بندی ۹۷.۵٪ و نرخ خطای تشخیص نمونه‌های تست ۰.۳۴۸۴.

Iran is the largest saffron producer in the world. Saffron is of great economic importance and due to increasing activities of export competitors, it requires support, expansion, and development of exports. The growing trend of saffron export share on one hand and income generation and entrepreneurship for rural residents on the other hand double the necessity of attention to this product. Competition in this supply chain, despite powerful competitors, will be possible through mechanizing processes from cultivation to harvesting and grading to packaging. Therefore, evaluating the physical characteristics of saffron for proper grading is considered essential.

In this study, the physical characteristics for the purpose of saffron grading using various artificial intelligence methods including Multilayer Perceptron Neural Networks (MLP), Learning Vector Quantization (LVQ), Self-Organizing Maps (SOM), Fuzzy Neural Networks (FNN), and Adaptive Neuro-Fuzzy Inference System (ANFIS) have been investigated. The database under study relates to 113 saffron samples categorized into 4 classes of Saffron Negin (top quality), Grade 2 Saffron (good), Grade 3 Saffron (normal), and Grade 4 Saffron (poor) collected by the researchers. The analysis results show that saffron grading considering uncertainties in the ANFIS model is superior to other methods, with a classification accuracy of 97.5% and a test sample detection error rate of 0.3484.