یک چارچوب گروه عمیق قابل توضیح مبتنی بر اعتبارسنجی برای تشخیص تقلب زعفران مبتنی بر تصویر

زعفران (Crocus sativus L.)، یکی از ارزشمندترین ادویه‌های جهان، به دلیل قیمت بالای بازار و محدودیت‌های روش‌های تحلیلی مرسوم برای احراز هویت سریع و غیرمخرب، در برابر تقلب بسیار آسیب‌پذیر است. اگرچه رویکردهای مبتنی بر یادگیری عمیق اخیر، دقت امیدوارکننده‌ای را گزارش کرده‌اند، اما بسیاری از آنها به مدل‌های منفرد یا گروه‌های ساده متکی هستند و فاقد اعتبارسنجی دقیق و ارزیابی قابلیت اطمینان آماری هستند. این مطالعه یک چارچوب گروه عمیق مبتنی بر اعتبارسنجی و قابل توضیح برای تشخیص تقلب زعفران مبتنی بر تصویر ارائه می‌دهد. چندین شبکه عصبی کانولوشن از پیش آموزش دیده (DenseNet169، ResNet50 و VGG16) با استفاده از یک استراتژی گروه وزنی مبتنی بر اعتبارسنجی ادغام می‌شوند که در آن وزن‌های ادغام منحصراً از عملکرد اعتبارسنجی در لایه‌های آموزشی محاسبه شده و قبل از ارزیابی در لایه نگه داشته شده ثابت می‌شوند و در نتیجه از نشت اطلاعات بین انتخاب مدل و ارزیابی عملکرد جلوگیری می‌شود. چارچوب پیشنهادی به دقت طبقه‌بندی ۹۸.۶۱٪، امتیاز F1 ۹۸.۱۷٪ و سطح زیر منحنی (AUC) ۹۸.۶۱٪ دست یافت که تا ۱.۴٪ از بهترین مدل پایه انفرادی در امتیاز F1 بهتر عمل می‌کند. اعتبارسنجی متقاطع پنج‌گانه طبقه‌بندی‌شده، عملکرد پایداری را با دقت میانگین ۹۷.۸۱٪ ± ۰.۵۳ نشان داد که نشان‌دهنده پایداری در بین تقسیم‌بندی‌های داده است. اعتبارسنجی آماری با استفاده از آزمون مک‌نمار (p < ۰.۰۵) و آزمون معناداری متقابل ۵ × ۲ تأیید کرد که بهبود عملکرد نسبت به مدل‌های تشکیل‌دهنده از نظر آماری قابل اعتماد است. تحلیل قابلیت توضیح و تغییرناپذیری پس‌زمینه مبتنی بر Grad-CAM همچنین نشان داد که پیش‌بینی‌ها در درجه اول توسط ویژگی‌های ذاتی سطح رشته هدایت می‌شوند و تنها کاهش عملکرد حاشیه‌ای (~۰.۹٪) تحت ارزیابی برش ROI دارند. چارچوب پیشنهادی یک راه‌حل قوی، قابل تفسیر و از نظر آماری معتبر برای احراز هویت زعفران ارائه می‌دهد و بینش‌های روش‌شناختی برای تشخیص تقلب غذایی مبتنی بر تصویر قابل اعتماد در شرایط داده‌های محدود ارائه می‌دهد.

Saffron (Crocus sativus L.), one of the world’s most valuable spices, is highly vulnerable to adulteration due to its premium market price and the limitations of conventional analytical methods for rapid, non-destructive authentication. Although recent deep learning-based approaches have reported promising accuracy, many rely on single models or naïve ensembles and lack rigorous validation and statistical reliability assessment. This study proposes a validation-driven and explainable deep ensemble framework for image-based saffron adulteration detection. Multiple pretrained convolutional neural networks (DenseNet169, ResNet50, and VGG16) are integrated using a validation-driven weighted ensemble strategy in which fusion weights are computed exclusively from validation performance within the training folds and fixed prior to evaluation on the held-out fold, thereby preventing information leakage between model selection and performance assessment. The proposed framework achieved 98.61% classification accuracy, 98.17% F1-score, and 98.61% AUC, outperforming the best individual base model by up to 1.4% in F1-score. Stratified five-fold cross-validation demonstrated stable performance, with a mean accuracy of 97.81% ± 0.53, confirming robustness across data splits. Statistical validation using McNemar’s test (p < 0.05) and 5 × 2 cross-validated significance testing verified that performance improvements over constituent models are statistically reliable. Grad-CAM-based explain ability and background-invariance analysis further demonstrated that predictions are driven primarily by intrinsic filament-level characteristics, with only a marginal (~0.9%) performance reduction under ROI-cropped evaluation. The proposed framework provides a robust, interpretable, and statistically validated solution for saffron authentication and offers methodological insights for reliable image-based food adulteration detection under limited data conditions.