SaffNet: رویکردی مبتنی بر مجموعه برای پیش‌بینی تقلب زعفران با استفاده از ویژگی‌های تصویر آماری

زعفران یکی از ادویه های گران قیمتی است که در مناطق خاصی از جهان کشت می شود. به دلیل دسترسی محدود و رواج بیشتر، در نهایت تقلب زعفران یکی از موضوعات نگران کننده در دوران اخیر است. تمایز بین نمونه های زعفران واقعی و تقلبی برای بینایی انسان دشوار می شود. با ظهور محاسبات بصری و الگوریتم‌های مبتنی بر داده، سیستم‌های پیش‌بینی تقلب زعفران (SAPS) برای پیش‌بینی نمونه‌های زعفران اصلی و تقلبی طراحی شده‌اند. با این حال، اکثر تکنیک‌ها عملکرد امیدوارکننده‌ای از خود نشان می‌دهند، اما مشکل قابلیت‌های تعمیم (نمونه‌های دیده نشده) و کمیاب بودن پایگاه‌های داده زعفران همچنان چالش‌های تحقیقاتی باز هستند. در این کار، برای غلبه بر این مسائل، یک مدل جدید پیش‌بینی زعفران مبتنی بر مجموعه (SaffNet) با استفاده از ویژگی‌های تصویر آماری برای تشخیص آلودگی در زعفران کشمیری پیشنهاد می‌کنیم.

از آنجایی که رویکردهای مبتنی بر داده عمدتاً به نمونه‌های نماینده متکی هستند، اما تا آنجا که ما می‌دانیم مجموعه داده‌های معیار استاندارد برای زعفران کشمیری در دسترس نیست. بنابراین، مجموعه داده‌های زعفران جدید خود (صف کش) را از نواحی مختلف دره کشمیر جمع‌آوری کرده‌ایم که شامل نمونه‌هایی از هر دو دسته زعفران معتبر و تقلبی است. هدف اولیه کار پیش‌بینی تقلب در نمونه‌های زعفران است. پس از آن، این تصاویر از قبل پردازش شده و مجموعه داده برای مدل SaffNet پیشنهادی آماده می شود. معماری SaffNet طراحی شده با استفاده از گروه تقویت گرادیان ارزیابی شده بر روی Saff-Kash از نتایج طبقه‌بندی‌کننده‌های فردی مانند ماشین بردار پشتیبانی (SVM)، درخت تصمیم‌گیری و K-نزدیک‌ترین همسایه (KNN) با دقت کلی 98% بهتر عمل می‌کند.

علاوه بر این، زمان اجرای مدل SaffNet برای آموزش طبقه‌بندی‌کننده SVM 8.56 میلی‌ثانیه است در حالی که برای طبقه‌بندی‌کننده تقویت گرادیان 7.7 میلی‌ثانیه است.

Saffron is one of the costlier spices that are cultivated in specific regions of the world. Due to its restricted accessibility and more popularity, eventually saffron adulteration is one of the concerning issues in the recent times. It becomes difficult for human vision to discriminate between real and adulterated saffron samples. With the emergence of visual computing and data-driven algorithms, the saffron adulteration prediction systems (SAPS) are designed to predict the original and adulterated saffron samples.

However, the majority of the techniques exhibit promising performance but the problem of generalization capabilities (unseen – samples) and scarcity of the saffron databases are still open research challenges. In this work, to overcome these issues, we propose a novel ensemble-based saffron prediction model (SaffNet) using statistical image features for the detection of contamination in the Kashmiri saffron. As data-driven approaches mainly rely on the representative samples, but to the best of our knowledge the standard benchmark datasets for Kashmiri saffron is not available. Therefore, we have created our novel Saffron dataset (Saff-Kash) collected afresh from different parts of Kashmir valley that includes the samples of both the authentic and adulterated saffron classes.

The primary aim of the work is to anticipate the adulteration in saffron samples. Thereafter, these images are pre-processed and the dataset is prepared for the proposed SaffNet model. The SaffNet architecture designed using gradient boosting ensemble evaluated on Saff-Kash outperforms the outcomes of individual classifiers i.e., Support vector machine (SVM), decision tree, and K-Nearest neighbor (KNN) with an overall accuracy of 98%. Moreover, the execution time taken by the SaffNet model for training the SVM classifier is 8.56 milliseconds whereas for gradient boosting classifier it is 7.7 milliseconds.