ارزیابی فازی ویژگی های ظاهری زعفران با استفاده از روش های مبتنی بر هوش مصنوعی

ایران بزرگ ترین تولیدکنندۀ زعفران در جهان است. زعفران دارای اهمیت بالای اقتصادی است و به دلیل افزایش فعالیت رقبای صادراتی, نیازمند حمایت و گسترش و توسعۀ صادرات است. روند رو به رشد سهم صادرات زعفران از یک سو و درآمدزایی و کارآفرینی برای روستاییان کشور از سوی دیگر, لزوم توجه به این محصول را دوچندان می کند. رقابت در این عرضه و با وجود رقبای قدرتمند در گرو مکانیزه کردن فرایندهای کاشت تا برداشت و درجه بندی تا بسته بندی امکان­پذیر خواهد بود.

بنابراین, ارزیابی ویژگی های ظاهری زعفران به منظور درجه بندی صحیح نیاز اساسی محسوب می شود. در پژوهش حاضر, ویژگی های ظاهری با هدف درجه بندی زعفران با استفاده از روش­های مختلف هوش مصنوعی شامل شبکه­های عصبی مصنوعی پرسپتورن چند لایه (MLP), (LVQ), شبکه عصبی غیر نظارت شده (SOM), سیستم های فازی (FNN) و سیستم استنتاج فازی عصبی (ANFISS) بررسی شده است. پایگاه داده مورد مطالعه مربوط به 113 نمونه زعفران است که در 4 طبقه زعفران پوشال (نگین), پوشال درجه 2 (خوب), پوشال درجه سه (معمولی) و پوشال درجه چهار (ضعیف) که محققان این پژوهش آنها را گردآوری کرده­اند.

نتایج تحلیل نشان می دهد که درجه بندی زعفران با در نظر گرفتن شرایط عدم قطعیت در مدل ANFIS نسبت به دیگر روش ها بهتر است, به طوری که دقت طبقه بندی 5/97 درصد و میزان خطای 3484/0 در تشخیص نمونه های آزمون به­ دست آمد.

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 NeuroFuzzy 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.