کاربرد بینایی کامپیوتر در تشخیص غیرمخرب زعفران اصیل و تقلبی

“زعفران یکی از گرانترین ادویه هاي جهان محسوب میشود. زعفران ادویه اي که بسیار مورد تقلب قرار مـی گیـرد . توسـعه تکنیـک هـاي مبتنی بر ابزار ساده، ارزان قیمت، مناسب و سریع در صنایع غذایی جهـت تشـخیص تقلّبـاتی همچـون تقلّبـات زعفـران ضـروري اسـت . در پژوهش حاضر، ترکیب پردازش تصویر و روش ماشین بردار پشتیبان (SVM (براي ارزیابی سریع و غیر مخرّب تشـخیص زعفـران واقعـی از زعفران تقلبی به کار رفته است. پس از تهیه تصاویر از توده زعفران خالص و تقلّبی و کلاله هاي مجزا، تصـاویر وارد مراحـل پـیش پـردازش شدند و در نهایت، ویژگیهاي آماري مرتبط با بافت تصاویر و ویژگیهاي مورفولوژي شامل 105 ویژگی استخراج شدند. به منظـور افـزایش سرعت و دقت طبقهبندي، از روش آنالیز مؤلفههاي اصلی PCA براي کاهش ابعاد ماتریس ویژگی استفاده شد.

همچنین طبقه بندي تصـاویر به کمک توابع کرنل مختلف SVM، به صورت دو کلاس انجام شد. سپس شاخصهاي آماري نظیر دقـت، صـحت، حساسـیت، اختصاصـی بودن و سطح زیر منحنی به منظور ارزیابی طبقهبند محاسبه شدند که مقادیر این شاخصها براي طبقهبندي با کرنـل کوبیـک SVM بـراي تشخیص زعفران تقلبی از زعفران واقعی به ترتیب 97 ،93 ،83 ،5/97و 97 درصد بدست آمد. نتایج حاصل از این طبقهبنـدي نشـان داد کـه این سیستم به عنوان یک روش هوشمند، سریع، غیرمخرب و دقیق، قابلیت تشخیص زعفران واقعی را از تقلبی دارد.”

Saffron is one of the most expensive spices in the world. Saffron is a spice that is widely cheated. The development of techniques based on simple, inexpensive, appropriate and fast tools in the food industry is essential for detecting adulteration such as saffron adulterated. In the present study, the combination of image processing and Support vector machine (SVM) method has been used for fast and non-destructive evaluation of distinguishing authentic saffron from adulterated saffron. After preparing images from pure and counterfeit saffron and separate stigmas, the images entered the pre-processing stages and finally, statistical features related to the texture of the images and morphological features including 105 features were extracted.

In order to increase the speed and accuracy of classification, PCA principal component analysis method was used to reduce the properties of the feature matrix. Also, the images were classified into two classes using different SVM kernel functions. Also, the images were classified into two classes using different SVM kernel functions. Then statistical indicators such as accuracy, precision, sensitivity, specificity and AUC were calculated to evaluate the classification. The values of these indices for classification with SVM cubic kernel for authentic saffron were 97, 98, 99, 93 and 97%, and for adulterated saffron, 97, 93, 83, 97.5 and 97% were obtained, respectively. The results of this classification showed that this system, as an intelligent, fast, non-destructive and accurate method, has the ability to distinguish the authentic saffron from adulterated saffron.