روش یادگیری عمیق و تکنیک افزایش داده تطبیقی برای تشخیص غیرمخرب کیفیت زعفران صادراتی

زعفران به دلیل مصارف دارویی و آشپزی بسیار ارزشمند است. ارزش جهانی و ویژگی‌های زعفران منجر به طراحی سیستم‌های مدیریت کیفیت و هوشمند برای فرآیندهای صنعتی و پس از برداشت شده است. در این مطالعه، یک سیستم بینایی کامپیوتر با الگوریتم‌های پیشرفته یادگیری عمیق و تکنیک‌های افزایش داده یکپارچه شد تا کیفیت زعفران را ارزیابی کند که بر اساس تقاضای بازار و نظرات کسب‌وکار به 6 کلاس دسته‌بندی شد. مجموعه داده خام شامل 3152 تصویر بود که کلاس‌های آن شامل دسته، پوشال درجه دو، پوشال درجه یک، پوشال پرسی، پرسی درجه یک و پرسی نگینی بود. سپس افزایش داده تطبیقی در 2 فاز اجرا شد و داده خام به 22064 افزایش یافت. متعاقباً، ابرپارامترهای مدل یادگیری عمیق، مانند نرخ یادگیری اولیه، اندازه دسته، اندازه تصویر، بهینه‌ساز و تعداد دوره‌ها ارزیابی شد و بهترین تنظیمات برای مدل نهایی بر اساس عملکرد مدل انتخاب شد. شش مدل محبوب یادگیری عمیق با معماری‌ها و پارامترهای مختلف برای شناسایی بهینه‌ترین ساختار ارزیابی شدند. مدل پیشنهادی InceptionV3 بود که به دقت 100% و loss 0.04 در تشخیص مرحله کیفیت زعفران دست یافت. توسعه این مدل 3.20 ساعت طول کشید با زمان تشخیص 0.055 ثانیه. این مدل همچنین دقت، امتیاز F1 و حساسیت 100% داشت با MSE/RMSE/MAE برابر 0. این مدل و مجموعه داده برای تشخیص کیفیت بسیار مؤثر هستند و می‌توانند به عنوان پایه‌ای برای توسعه سیستم‌های رباتیک و سنجش از دور در سیستم‌های صنعتی و مدیریت کیفیت خدمت کنند.

Saffron is highly valued for its medicinal and culinary uses. Its global market value and characteristics of saffron have led to the design of quality management and intelligent systems for industrial and postharvest processes. In this study, a computer vision system was integrated with advanced deep learning algorithms and data augmentation techniques to evaluate the quality of saffron, which was categorized into 6 classes based on market demand and business opinions. Raw dataset consisted of 3152 images, with classes including Daste, Poshal Grade Two, Poshal Grade One, Poshal Peresi, Peresi Grade One, and Peresi Negini. Adaptive data augmentation was then implemented in 2 phases, and raw data increased to 22064. Subsequently, hyperparameters of the deep learning model, such as initial learning rate, batch size, image size, optimization, and number of epochs, were assessed, and the best settings for the final model were selected based on model performance. Six popular deep learning models with varying architectures and parameters were evaluated to identify the most optimal structure. The proposed model was InceptionV3, which achieved 100 % accuracy and 0.04 loss in recognizing the quality stage of saffron. The development took 3.20 hours, with a recognition time of 0.055 seconds. The model also had 100 % precision, F1-score, and sensitivity, with an MSE/RMSE/MAE of 0. This model and dataset are highly effective for quality detection and can serve as a basis for developing robotic and remote sensing systems in industrial and quality management systems.