مروری بر کاربرد تکنیک‌های یادگیری ماشین و یادگیری عمیق در سیستم پیش‌بینی تقلب زعفران

زعفران، یکی از گران‌ترین ادویه‌هاست که معمولاً با عنوان “ادویه طلایی” شناخته می‌شود و عمدتاً در ایران، یونان، اسپانیا، چین و هند (بیشتر در دره کشمیر) کشت می‌گردد. با این حال، به دلیل تولید کم و هزینه بالا، اغلب در این صنعت انواعی از تقلب نیز مشاهده می‌شود که باعث ضررهای مالی و تعدادی از مشکلات سلامتی می‌گردد. آفتابگردان، گلرنگ، لایه بیرونی ذرت و کلاله‌های گل بامیه از جمله مواد تقلبی هستند که با نمونه‌های زعفران اصلی ترکیب می‌شوند تا بازده نهایی را افزایش دهند. امروزه، تهدید وجود تقلب در زعفران یکی از مسائل اصلی است که نیاز به توجه زیادی دارد زیرا بینایی انسان قادر به تشخیص نمونه‌های زعفران خالص از تقلبی نیست. از این رو، محققان از یک سیستم هوشمند پیش‌بینی تقلب زعفران مبتنی بر بینایی کامپیوتر برای غلبه بر این مشکل استفاده می‌کنند. در این مقاله، ما یک چارچوب نوین برای پیش‌بینی تقلب زعفران با استفاده از رویکردهای هوشمند مبتنی بر داده ارائه می‌دهیم. علاوه بر این، از تکنیک‌های پیش‌پردازش مختلفی برای بهبود کیفیت تصاویر زعفران استفاده می‌شود. همچنین، ما تجزیه و تحلیل مقایسه‌ای از تکنیک‌های پیش‌بینی تقلب زعفران اخیر ارائه می‌دهیم و برخی از مسائل تحقیقاتی باز را که نیاز به توجه آینده نگرانه دارند، شناسایی می‌کنیم. علاوه بر این، پروتکل‌های عملکرد مانند معیارهای عملکرد و مجموعه داده‌های مبتنی بر تصاویر زعفران به طور خلاصه شرح داده شده‌اند. تجزیه و تحلیل ما نشان می‌دهد که این مطالعه، مسیرهای جدیدی را به محققان ارائه می‌دهد که نیاز به بررسی در آینده دارد و به طور بالقوه می‌تواند از ضررهای اقتصادی جلوگیری کرده و ایمنی مصرف کننده را تضمین کند.

One of the most expensive spices, saffron, commonly known as the “golden spice,” is grown primarily in Iran, Greece, Spain, China, and India (mostly in Kashmir valley). However, because of its low output and high cost, it is frequently contaminated, which causes financial loss and a number of health problems. Sunflower, safflower, maize outer layer, and hibiscus stigmas are some of the adulterants that are combined with authentic saffron samples to boost its yield. Nowadays, the menace of saffron adulteration is one of the major issues that needs further attention as human vision fails to discriminate between pure and adulterated saffron samples. Hence, an intelligent computer vision-enabled saffron adulteration prediction system is used by researchers to overcome this issue. In this paper, we present a novel framework for saffron adulteration prediction using intelligent data-driven approaches. Moreover, various pre-processing techniques are used to enhance the quality of saffron images. Besides, we demonstrate the comparative analysis of recent saffron adulteration prediction techniques and identify certain open research issues that needs futuristic attention. In addition, performance protocols such as performance metrics and saffron images-based dataset are briefly illustrated. Our analysis reveals that this study provides researchers with new directions that needs to be addressed in future and can potentially prevent economic loss and ensure consumer safety