ارزیابی فازی ویژگیهای ظاهری زعفران با استفاده از روشهای مبتنی بر هوش مصنوعی

ایررنان بزرگتررنی توليدکننرردۀ زعفررنان در جهرران اسررت. زعفررنان دارای اهميررت بررا ی اقتصررادی اسررت و برره دليرر افرزای فعاليرت رقبررای صرادرات نيازمنرد حمایررت و گسرتن و توسرع صررادرات اسرت. رونرد رو بره رشرد سرره صرادرات زعفرنان از یکسرو و درآمردزای و کرارآفنین برنای روسرتایيان کشرور از سروی دیگرن لرزو توجره بره ایر محصرو را دوچنردان م کنرد. رقابرت در ایر عنضره و برا وجرود رقبرای قدرتمنرد در گرنو مکرانيزه کرندن فناینردهای کاشت تا بنداشت و درجهبندی ترا بسرتهبندی امکرانپریین خواهرد برود. بنرابنای ارزیراب ویژگ هرای ظراهنی زعفرنان برره منظررور درجهبنرردی صررحي نيرراز اساسرر محسررو م شررود.

در پررژوه حاضررن ویژگ هررای ظرراهنی بررا هررد درجهبندی زعفنان برا اسرتفاده از رو هرای مختلر هرو مصرنوع شرام شربکههرای عصرب مصرنوع پنسرتتورن چنرد یره )MLP( )LVQ )شربکه عصرب غيرن نظرارت شرده )SOM )سيسرت های فرازی )FNN )و سيسرت اسرتنتا فازی عصب )ANFISS )بنرسر شرده اسرت. پایگراه داده مرورد مطالعره منبرو بره 113 نمونره زعفرنان اسرت کره در 4 طبقه زعفنان پوشا )نگي ( پوشرا درجره 2 )خرو ( پوشرا درجره سره )معمرول ( و پوشرا درجره چهرار )ضرعي ( که محققان ای پژوه آنهرا را گرندآوری کرندهانرد. نترای تحلير نشران م دهرد کره درجهبنردی زعفرنان برا در نظرن گنفت شنایط عرد قطعيرت در مرد ANFIS نسربت بره دیگرن رو هرا بهترن اسرت بره طروری کره دقرت طبقهبنردی 97/5 درصد و ميزان خطای 0/3484 در تشخيص نمونههای آزمون به دست آمد.

Iran is the largest saffron producer in the world. Saffron is of great economic importance and due to increasing activities of export competitors, it requires support, expansion, and development of exports. The growing trend of saffron export share on one hand and income generation and entrepreneurship for rural residents on the other hand double the necessity of attention to this product. Competition in this supply chain, despite powerful competitors, will be possible through mechanizing processes from cultivation to harvesting and grading to packaging.

Therefore, evaluating the physical characteristics of saffron for proper grading is considered essential. In this study, the physical characteristics for the purpose of saffron grading using various artificial intelligence methods including Multilayer Perceptron Neural Networks (MLP), Learning Vector Quantization (LVQ), Self-Organizing Maps (SOM), Fuzzy Neural Networks (FNN), and Adaptive Neuro-Fuzzy Inference System (ANFIS) have been investigated. The database under study relates to 113 saffron samples categorized into 4 classes of Saffron Negin (top quality), Grade 2 Saffron (good), Grade 3 Saffron (normal), and Grade 4 Saffron (poor) collected by the researchers. The analysis results show that saffron grading considering uncertainties in the ANFIS model is superior to other methods, with a classification accuracy of 97.5% and a test sample detection error rate of 0.3484.