درجه‌بندی و شناسایی تقلب در زعفران از طریق شبکه عصبی Inception-v4 ترکیب‌شده با یادگیری برای افزایش

زعفران محصولی شناخته شده در صنایع غذایی است. یکی از ادویه هایی است که گاهی تنها با انگیزه کسب سود اقتصادی بیشتر تقلب می شود. امروزه سیستم‌های بینایی ماشین به‌عنوان یک رویکرد جدید، غیرمخرب و ارزان به‌طور گسترده در کنترل کیفیت محصولات غذایی و کشاورزی مورد استفاده قرار می‌گیرند. در این مطالعه از سیستم بینایی ماشین مبتنی بر یادگیری عمیق برای تشخیص تقلب و کیفیت زعفران استفاده شد. مجموعه داده ای از 1869 تصویر ایجاد و در 6 کلاس طبقه بندی شد که عبارتند از: کلاله زعفران خشک با استفاده از خشک کن. کلاله زعفران خشک به روش پرس; ساقه زعفران خالص؛ آفتابگردان؛ ساقه زعفران مخلوط با رنگ خوراکی؛ و ابریشم ذرت مخلوط با رنگ خوراکی.

یک شبکه عصبی کانولوشنال Inception-v4 (LAII-v4 CNN) گنجانده شده با یادگیری برای تقویت، برای درجه بندی و تشخیص تقلب زعفران در تصاویر گرفته شده توسط گوشی های هوشمند توسعه یافته است. بهترین سیاست‌های تقویت داده‌ها با CNN پیشنهادی LAII-v4 با استفاده از تصاویر خراب‌شده توسط گاوسی، لکه‌ها، و نویز ضربه‌ای برای رسیدگی به بیش از حد برازش مدل انتخاب شدند. CNN پیشنهادی LAII-v4 با روش‌های معمولی مبتنی بر CNN و طبقه‌بندی‌کننده‌های سنتی مقایسه شد.

مجموعه درختان تصمیم کیسه‌ای، مجموعه درختان تصمیم تقویت‌شده، k-نزدیک‌ترین همسایه، درختان تقویت‌شده با نمونه‌گیری تصادفی، و ماشین بردار پشتیبان برای طبقه‌بندی ویژگی‌های استخراج‌شده توسط هیستوگرام گرادیان‌های جهت‌یافته و الگوهای باینری محلی استفاده شد و توسط تجزیه و تحلیل مؤلفه های اصلی نتایج نشان داد که CNN پیشنهادی LAII-v4 با دقت 99.5 درصد با استفاده از نرمال‌سازی دسته‌ای، Dropout و ReLU نشت‌کننده بهترین عملکرد را به دست آورده است.

Saffron is a well-known product in the food industry. It is one of the spices that are sometimes adulterated with the sole motive of gaining more economic profit. Today, machine vision systems are widely used in controlling the quality of food and agricultural products as a new, non-destructive, and inexpensive approach. In this study, a machine vision system based on deep learning was used to detect fraud and saffron quality. A dataset of 1869 images was created and categorized in 6 classes including: dried saffron stigma using a dryer; dried saffron stigma using pressing method; pure stem of saffron; sunflower; saffron stem mixed with food coloring; and corn silk mixed with food coloring.

A Learning-to-Augment incorporated Inception-v4 Convolutional Neural Network (LAII-v4 CNN) was developed for grading and fraud detection of saffron in images captured by smartphones. The best policies of data augmentation were selected with the proposed LAII-v4 CNN using images corrupted by Gaussian, speckle, and impulse noise to address overfitting the model. The proposed LAII-v4 CNN compared with regular CNN-based methods and traditional classifiers.

Ensemble of Bagged Decision Trees, Ensemble of Boosted Decision Trees, k-Nearest Neighbor, Random Under-sampling Boosted Trees, and Support Vector Machine were used for classification of the features extracted by Histograms of Oriented Gradients and Local Binary Patterns, and selected by the Principal Component Analysis. The results showed that the proposed LAII-v4 CNN with an accuracy of 99.5% has achieved the best performance by employing batch normalization, Dropout, and leaky ReLU.