کاوش برای طلا: ارزیابی اصالت زعفران (Crocus sativus L.) از طریق بهینه‌سازی یادگیری عمیق

مقدمه: زعفران یکی از پرطرفدارترین و یکی از آلوده ترین محصولات موجود در بازار جهانی مواد غذایی است. یکی از چالش‌های اصلی صنعت زعفران، دشواری تمایز بین زعفران خشک تقلبی و اصلی در طول زنجیره تامین است. رویکردهای کنونی برای تجزیه و تحلیل ترکیبات شیمیایی ذاتی (کروسین، پیروکروسین و سافرانال) پیچیده، پرهزینه و زمان بر هستند.

پیشرفت‌های بینایی رایانه‌ای که با یادگیری عمیق امکان‌پذیر شده است، به عنوان یک جایگزین بالقوه ظاهر شده است که می‌تواند به عنوان ابزاری عملی برای تشخیص خلوص زعفران باشد. روش کار: در این مطالعه رویکرد یادگیری عمیق برای طبقه بندی اصالت زعفران پیشنهاد شده است.

تمرکز بر روی تشخیص تمایزات اصلی بود که به تفکیک نمونه‌های جعلی از نمونه‌های واقعی با استفاده از یک مجموعه داده جمع‌آوری‌شده دستی که حاوی تصویری از دو کلاس (زعفرانی و غیرزعفرانی) است، کمک می‌کند. یک مدل عصبی کانولوشن عمیق MobileNetV2 و بهینه ساز برآورد تکانه تطبیقی ​​(آدام) برای این منظور آموزش داده شد. یافته‌ها: معیارهای مشاهده‌شده مدل یادگیری عمیق عبارت بودند از: دقت 99%، یادآوری 99%، دقت 97% و امتیاز F 98% که کارایی بسیار بالایی را نشان داد. بحث: در مورد عوامل کلیدی شناسایی شده برای حصول نتایج مثبت بحثی ارائه می شود. این رویکرد جدید یک جایگزین کارآمد برای تشخیص محصولات زعفران اصیل از تقلبی است که ممکن است برای صنعت زعفران از تولیدکنندگان تا مصرف‌کنندگان مفید باشد و می‌تواند به توسعه مدل‌هایی برای سایر ادویه‌ها کمک کند.

Introduction: Saffron is one of the most coveted and one of the most tainted products in the global food market. A major challenge for the saffron industry is the difficulty to distinguish between adulterated and authentic dried saffron along the supply chain. Current approaches to analyzing the intrinsic chemical compounds (crocin, picrocrocin, and safranal) are complex, costly, and time-consuming.

Computer vision improvements enabled by deep learning have emerged as a potential alternative that can serve as a practical tool to distinguish the pureness of saffron. Methods: In this study, a deep learning approach for classifying the authenticity of saffron is proposed. The focus was on detecting major distinctions that help sort out fake samples from real ones using a manually collected dataset that contains an image of the two classes (saffron and non-saffron).

A deep convolutional neural model MobileNetV2 and Adaptive Momentum Estimation (Adam) optimizer were trained for this purpose. Results: The observed metrics of the deep learning model were: 99% accuracy, 99% recall, 97% precision, and 98% F-score, which demonstrated a very high efficiency. Discussion: A discussion is provided regarding key factors identified for obtaining positive results. This novel approach is an efficient alternative to distinguish authentic from adulterated saffron products, which may be of benefit to the saffron industry from producers to consumers and could serve to develop models for other spices.