SAPxAI: ویژگی‌های عمیق با تکنیک‌های هوش مصنوعی قابل توضیح برای پیش‌بینی تقلب در زعفران

زعفران Crocus Sativus L. یکی از ارزشمندترین محصولات کشاورزی در سطح جهان است که به دلیل رنگ، عطر و طعم متمایز خود، بسیار مورد توجه قرار گرفته و به طور گسترده در کاربردهای آشپزی و دارویی مورد استفاده قرار می‌گیرد. با این حال، افزایش تقاضای جهانی برای زعفران، خطر تقلب را نیز افزایش داده و چالش قابل توجهی را در بازاریابی و تأیید اصالت آن ایجاد کرده است. روش‌های سنتی برای تشخیص تقلب در زعفران گران، زمان‌بر و نیازمند مهارت‌های تخصصی و فناوری پیشرفته هستند. این تحقیق یک سیستم پیش‌بینی تقلب زعفران غیرمخرب مبتنی بر بینایی ماشین را با استفاده از یک مدل شبکه عصبی کانولوشن مبتنی بر یادگیری عمیق (DL) که بر روی تصاویر RGB از نمونه‌های زعفران واقعی و تقلبی آموزش دیده است، پیشنهاد می‌دهد. مدل پیشنهادی به دقت 99.12 دست یافت که از مدل‌های یادگیری انتقالی شناخته شده مانند ResNet50، InceptionNet و VGG16 پیشی می‌گیرد. برای افزایش قابلیت تفسیر، از تکنیک‌های هوش مصنوعی قابل توضیح، از جمله SHAP (توضیحات افزایشی SHApley) و LIME (توضیحات مدل-آگنوستیک تفسیرپذیر محلی)، برای برجسته کردن ویژگی‌های کلیدی مؤثر بر پیش‌بینی‌های مدل استفاده می‌شود.

Saffron Crocus Sativus L. is among the most valuable cash crops globally, prized for its distinct color, aroma, and flavor, making it widely used in culinary and medicinal applications. However, the increasing global demand for saffron has also heightened the risk of adulteration, posing a significant challenge in its marketing and authenticity verification. Traditional methods for detecting saffron adulteration are expensive, time-consuming, and require specialized skills and advanced technology. This research proposes a machine vision-based, non-destructive saffron adulteration prediction system utilizing a Deep Learning (DL) based convolutional neural network model trained on RGB images of both genuine and adulterated saffron samples. The proposed model achieved an accuracy of 99.12
, outperforming well-known transfer learning models such as ResNet50, InceptionNet, and VGG16. To enhance interpretability, explainable artificial intelligence techniques, including SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations), are employed to highlight the key features influencing the model’s predictions.