پیشرفت‌ها در احراز اصالت زعفران: مروری بر تکنیک‌های یادگیری ماشین و یادگیری عمیق برای پیش‌بینی تقلب

زعفران که به عنوان یکی از گران‌ترین ادویه‌های جهان شناخته می‌شود، اغلب به منظور افزایش سودآوری به قیمت از دست رفتن اصالت و کیفیت آن، تقلبی (آمیخته) می‌شود. این مقاله به مقایسه بین تکنیک‌های هوش مصنوعی و روش‌های سنتی آزمایشگاهی برای تشخیص تقلب در زعفران می‌پردازد. مدل‌های مختلف مبتنی بر هوش مصنوعی مانند الگوریتم‌های یادگیری ماشین و بینایی کامپیوتر از نظر دقت، کارایی و امکان‌سنجی در برابر روش‌های کلاسیک آزمایشگاهی کروماتوگرافی و طیف‌سنجی که عمدتاً مبتنی بر تشخیص آسان هستند، مقایسه شده‌اند. مقاله حاضر سعی در نمایش مزایا و معایب مقایسه‌ای هر دو رویکرد با توجه به دقت تشخیص، مقرون‌به‌صرفه بودن و سهولت اجرا دارد. رویکردهای هوش مصنوعی برای تجزیه و تحلیل سریع و مقیاس‌پذیری مزیت دارند، در حالی که روش‌های آزمایشگاهی نتایج دقیقی ارائه می‌دهند اما بسیار کندتر و گران‌تر هستند. مقاله حاضر یکپارچه‌سازی ابزارهای هوش مصنوعی را برای حل مشکلات کنترل کیفیت نشان می‌دهد و بدین وسیله ایمنی مواد غذایی را افزایش داده و از بازار زعفران محافظت می‌کند.

Saffron, regarded as one of the most expensive spices in the world, is often adulterated to increase profitability at the expense of its authenticity and quality. The paper describes a comparison between artificial intelligence (AI) techniques and traditional laboratory methods for detecting fishery mislabeling. Various AI driven models such as machine learning algorithms and computer vision have been compared for accuracy, proficiency, and feasibility against the classical laboratory chromatographic and spectroscopic methods which are mostly based on easy detection. The present paper attempts to represent the comparative merits and demerits of both approaches concerning their detection precision, cost- effectiveness, and easy implementation. AI approaches have an advantage for rapid analysis and scalability, whilst the lab methods give accurate results but are much slower and expensive. The present paper represents the integration of AI tools for solving quality control problems, thereby enhancing the food safety and safeguard the saffron market.