SAPS: سیستم‌های پیش‌بینی تقلب خودکار زعفران، مسائل تحقیقاتی و راه‌حل‌های آینده

زعفران یکی از ادویه‌های گران‌قیمتی است که در مناطق خاصی از جهان کشت می‌شود. به دلیل محدودیت در دسترسی و تقاضای بالای جمعیت، جعل زعفران یکی از چالش‌های مهم به شمار می‌آید. تشخیص نمونه‌های واقعی و تقلبی زعفران با چشم انسان بسیار دشوار است. با ظهور محاسبات بصری و الگوریتم‌های یادگیری ماشین، پیش‌بینی خودکار جعل زعفران به کاری آسان‌تر تبدیل شده است. در این مقاله، وضعیت هنر سیستم‌های هوشمند پیش‌بینی جعل زعفران به همراه مسائل تحقیقاتی مختلف و چشم‌اندازهای آینده شرح داده شده است.

مطالعه حاضر تلاشی است برای بررسی روش‌های موجود ویژگی‌های دستی برای آموزش طبقه‌بندهای خطی مانند شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و درخت تصمیم (DT).با این حال، اکثر تکنیک‌ها عملکرد امیدوارکننده‌ای از خود نشان می‌دهند، اما مشکل قابلیت تعمیم (نمونه‌های نادیده گرفته‌شده) و کمبود پایگاه‌های داده زعفران به‌عنوان چالش‌های پژوهشی باز باقی مانده است. علاوه بر این، شبکه‌های عصبی عمیق راه‌حل مناسبی برای طراحی یک سیستم پیش‌بینی تقلب در زعفران (SAPS) کارآمد و مقاوم هستند.

“Saffron is one of the costlier spices that is cultivated in specific regions of the world. Due to its limited availability and higher demand in the population, thus saffron adulteration is one of the crucial challenges. It becomes very difficult for human vision to discriminate between real and adulterated saffron samples. With the emergence of visual computing and machine learning algorithms, automatic saffron adulteration prediction becomes an easier task.

In this paper, we expound the state of the art of intelligent saffron adulteration predication systems along with various research issues and future perspectives. The present study is an attempt to explore theexisting methods of handcrafted features to train linear classifiers such as artificial neural networks (ANN), support vector machine (SVM), and decision tree (DT). However, the majority of the techniques exhibit promising performance but the problem of generalization capabilities (unseen – samples) and scarcity of the saffron databases are the open research challenges. Moreover, deep neural networks are the viable solution for designing an efficient and robust saffron adulteration prediction system (SAPS).”