کلاسه بندی کلاله زعفران بر اساس ویژگی های ظاهری با استفاده از بینایی ویادگیری ماشین

یکی از چالش های اصلی صنعت زعفران، ارزش گذاری محصول نهایی زعفران است که با توجه به تعدد اشخاص خبره در بازار، می تواند سبب بروز مشکلات متعدد در زنجیره ارزش این محصول کلیدی کشاورزی کشور نماید. هدف از این تحقیق، پیدایش دسته بندی گل زعفران بر اساس ویژگی های ظاهری و مورفولوژیکی کلاله آن و در نهایت ارزش گذاری دقیق آن است. امروزه با پیشرفت سخت افزارهای پیشرفته در حوزه پردازش تصویر و فراهم نمودن ابزار عکس برداری با کیفیت بالا، می توان از تئوری های مبتنی بر یادگیری ماشین برای دسته بندی عکس های گرفته شده استفاده نمود. در این پژوهش، با گردآوری بانک اطلاعاتی وسیع از گل های زعفران در کلاس های مختلف، عکس هایی با کیفیت بالا ضبط و ویژگی های ظاهری استخراج شده اند. در نهایت با استفاده از الگوریتم های یادگیری ماشین، دسته بندی کامل گل های زعفران انجام گرفت، به طوری که ضریب همبستگی بالاتر از ۹۰ درصد برای تشخیص و در نهایت ارزش گذاری نهایی آن، به دست آمد.

One of the main challenges in the saffron industry is the valuation of the final saffron product, which, given the numerous experts in the market, can lead to various problems in the value chain of this key agricultural product of the country. The aim of this research is to classify saffron flowers based on the appearance and morphological characteristics of their stigmas, and ultimately to accurately value them. Nowadays, with the advancement of sophisticated hardware in the field of image processing and the availability of high-quality imaging tools, machine learning-based theories can be used to classify the captured images. In this study, a comprehensive database of saffron flowers in different classes was collected, high-quality images were captured, and appearance features were extracted. Finally, using machine learning algorithms, a complete classification of saffron flowers was carried out, achieving a correlation coefficient of over 90 percent for detection and ultimately for accurate valuation.