طبقه‌بندی انواع پادشاه ادویه‌های ایرانی (زعفران) بر اساس ویژگی‌های بافتی

احراز هویت دقیق انواع زعفران در ایران، به عنوان تولیدکننده اصلی، نه تنها از ضررهای اقتصادی برای تولیدکنندگان و مصرف‌کنندگان جلوگیری می‌کند، بلکه خطر تقلب را نیز به حداقل می‌رساند. بنابراین، در تحقیق حاضر، از ترکیب روش بینایی ماشین و الگوریتم‌های استخراج ویژگی بافت برای طبقه‌بندی ۳ نوع اصلی زعفران تجاری ایران شامل سرگل، نگین و پوشال استفاده شد. سه الگوریتم استخراج ویژگی بافت شامل الگوی دودویی محلی (LBP)، ماتریس هم‌رخدادی سطح خاکستری (GLCM) و ماتریس طول دنباله سطح خاکستری (GLRM) و ترکیب آنها به کار گرفته شد. مدل‌های مختلف یادگیری ماشین شامل تحلیل تشخیص (DA)، ماشین بردار پشتیبان (SVM)، K-نزدیک‌ترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) برای ارزیابی نتایج طبقه‌بندی استفاده شدند. مدل SVM با هسته خطی و همه ویژگی‌ها با ۸۷.۲۲٪ بهترین نتیجه را برای مجموعه داده‌های آزمون داشت. علاوه بر این، چهار الگوریتم انتخاب ویژگی شامل آزمون کای-اسکوئر (CST)، حداقل افزونگی حداکثر ارتباط (MRMR)، ReliefF و کروسکال والیس برای انتخاب مهم‌ترین ویژگی‌ها استفاده شدند. ویژگی‌های انتخاب‌شده توسط الگوریتم CST با مدل SVM بهترین نتیجه را با دقت 76.7٪ داشت. نتایج تحقیق حاضر، کاربرد تکنیک بینایی ماشین را برای طبقه‌بندی انواع زعفران تجاری تأیید می‌کند که در صنعت زعفران قابل توجه است.

Precise authentication of saffron types in Iran, as the main producer not only prevents economic losses for producers and consumers, but also minimizes the threat of adulteration. Therefore, in the present research, combination of machine vision method and texture feature extraction algorithms was applied to classify 3 main types of Iran commercial saffron including Sargol, Negin, and Pushal. Three texture feature extraction algorithms including Local Binary Pattern (LBP), Gray Level Co-occurrence Matrix (GLCM), and Gray Level Run Length Matrix (GLRM) and combination of them were employed. Various machine learning models including Discriminant Analysis (DA), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and Artificial Neural Network (ANN) models were applied to evaluate the results of classification. SVM model with Linear kernel and all features had the best outcome with 87.22 % for test dataset. Furthermore, four feature selection algorithms including Chi-Square Test (CST), Minimum Redundancy Maximum Relevance (MRMR), ReliefF, and Kruskal Wallis were used to select the most important features. Selected features by CST algorithm with SVM model had the best outcome with the accuracy of 76.7 %. The results of present research confirm the applicability of machine vision technique for classification of commercial saffron types which is significant in saffron industry.