“طبقه‌بندی زعفران با استفاده از ویژگی‌های رنگی استخراج شده از تصویر “

“طبقه بندی زعفران به عنوان گرانترین ادویه از اهمیت باجیی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجه بندی زعفران استفاده میشود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونه ها انجام میشود. روش دوم تخریبی بوده و با ا ستفاده از متدهای آزمایشگاهی انجام میگیرد. طبق نظر متخصصان، ا ستفاده از تکنیکهای یادگیری ما شین برای طبقه بندی زعفران به دلیل دا شتن ماهیت غیر مخرب و خصو صیات بهنگام، یک هدف است. این روش همچنین میتواند باعث افزایش دقت فرآیند درجه بندی در مقیاس صنعتی شود. در این مقاله، یک روش مبتنی بر ماشین بینایی ارائه شده است.

با توجه به عدم تحقیقات مستند در مورد این موضوع، جستجوی مشروح جامع در این کار ارائه میشود. تقریباً تمام ویژگیهای رنگ استخراج و در تعداد زیادی از طبقه بندی کننده ها استفاده شد. افراد خبره در ایران زعفران را بر اساس خصوصیات ظاهری به سه طبقه اصلی یعنی پوشال، نگین و سرگل طبقه بندی میکنند.در این مقاله، یک بانک مطالعاتی متشکل از 440 تصویر از زعفران برای سه کالس مختلف با استفاده از دوربین تلفن همراه جمع آوری شد.

پس از اعمال تعدادی از مراحل پیش پردازش مانند حذف پس زمینه، بریدن و حذف مناطق ناخواسککته تصککاویر و غیره ، 21 ویژگی رنگی با استفاده از روش های مختلف تحلیل تصویر استخراج شد. برای طبقه بندی از 22 طبقه بندی گر استفاده شدند. مقایسه نتایج طبقه بندی کننده های مختلف نشان داد که Discriminant Linear ، SVM Linear ،Trees Bagged و Trees RUSBoost می توانند در هنگام ا ستفاده از ویژگیهای رنگی، درجه بندی دقیقتری را ن سبت به سایر طبقه بندی کننده ها ایجاد کنند. به طور خاص، دراین کار، میانگین دقت 23/82 درصد با استفاده از طبقه بندی کننده خطی SVM بدست آمد.”

“the classification of saffron as the most expensive spice is of great importance for customers and traders. In general, two methods are currently used to classify saffron. The first method is based on the experiences of an expert and by observing the samples. The second method is destructive and is performed using laboratory methods. According to experts, the use of machine learning techniques to classify saffron is a goal due to its non-destructive nature and timely characteristics. This method can also increase the accuracy of the industrial scale grading process. In this paper, a vision machine method is presented.

Due to lack of documented research on this subject, a comprehensive literature search is presented in this work. Almost all color characteristics were extracted and used in a large number of classifiers. Experts in Iran classify saffron into three main categories based on their appearance: Pushal, Negin and Sargol. In this paper, a database consisting of 440 images from saffron for the three different classes was collected using a mobile phone camera.

After applying some preprocessing steps, such as background removal, cropping etc., 21 color features were extracted using different image analysis methods. Twenty-two classifiers were employed for classification. Comparing results of different classifiers showed that the Linear Discriminant, Linear SVM, Bagged Trees and RUSBoost Trees can produce more accurate grading compared to other classifiers when using color features. In particular, mean classification accuracy of 82.23% was achieved in this work using Linear a SVM classifier.”