طبقه‌بندی زعفران با استفاده از ویژگی‌های رنگ استخراج شده از تصویر

طبقه‌بندی زعفران به عنوان گران‌ترین ادویه برای مشتریان و تاجران از اهمیت زیادی برخوردار است. به طور کلی، دو روش در حال حاضر برای طبقه‌بندی زعفران استفاده می‌شود. روش اول بر پایه تجربیات یک کارشناس و با مشاهده نمونه‌ها است. روش دوم تخریب‌گر بوده و با استفاده از روش‌های آزمایشگاهی انجام می‌شود. به گفته کارشناسان، استفاده از تکنیک‌های یادگیری ماشین برای طبقه‌بندی زعفران هدفی است به خاطر ماهیت غیر تخریب‌گر و ویژگی‌های به‌موقع آن. این روش همچنین می‌تواند دقت فرآیند درجه‌بندی صنعتی را افزایش دهد. در این مقاله، یک روش ماشین بینایی ارائه شده است.

به دلیل کمبود تحقیقات مستند در این زمینه، یک جستجوی ادبیات جامع در این کار ارائه شده است. تقریباً تمام ویژگی‌های رنگی استخراج شده و در تعداد زیادی از طبقه‌بند‌ها استفاده شده است.متخصصان در ایران زعفران را به سه دسته اصلی بر اساس ظاهر آن تقسیم‌بندی می‌کنند: پوشال، نگین و سرگل. در این مقاله، یک پایگاه داده متشکل از ۴۴۰ تصویر از زعفران برای سه دسته مختلف با استفاده از دوربین موبایل جمع‌آوری شده است. پس از انجام برخی مراحل پیش‌پردازش، مانند حذف پس‌زمینه، برش و غیره، ۲۱ ویژگی رنگی با استفاده از روش‌های مختلف تحلیل تصویر استخراج شد.

بیست و دو طبقه‌بند برای طبقه‌بندی به کار گرفته شدند. مقایسه نتایج دسته‌بندهای مختلف نشان داد که طبقه‌بندهای خطی، SVM خطی، درختان کیسه‌ای و درختان RUSBoost می‌توانند طبقه‌بندی دقیق‌تری نسبت به دیگر طبقه‌بندها هنگام استفاده از ویژگی‌های رنگی ارائه دهند. به‌ویژه، دقت متوسط طبقه‌بندی ۸۲.۲۳٪ در این کار با استفاده از طبقه‌بند SVM خطی به دست آمد.

The Classification of Saffron as the most expensive spice is of great importance for customers and traders. In general, two methods are currently used to classify Saffron. The first method is based on the experiences of an expert and by observing the samples. The second method is destructive and is performed using laboratory methods. According to experts, the use of machine learning techniques to classify Saffron is a goal due to its non-destructive nature and timely characteristics. This method can also increase the accuracy of the industrial scale grading process. In this paper, a vision machine method is presented.

Due to lack of documented research on this subject, a comprehensive literature search is presented in this work. Almost all color characteristics were extracted and used in a large number of classifiers. Experts in Iran classify Saffron into three main categories based on their appearance: Pushal, Negin and Sargol. In this paper, a database consisting of 440 images from Saffron for the three different classes was collected using a mobile phone camera.

After applying some preprocessing steps, such as background removal, cropping etc., 21 color features were extracted using different image analysis methods. Twenty-two classifiers were employed for Classification. Comparing results of different classifiers showed that the Linear Discriminant, Linear SVM, Bagged Trees and RUSBoost Trees can produce more accurate grading compared to other classifiers when using color features. In particular, mean Classification accuracy of 82. 23% was achieved in this work using Linear a SVM classifier.