درجه بندي زعفران بر اساس ويژگي هاي ظاهري با استفاده از شبكه هاي عصبي مصنوعي

Classification of Saffron Based on Its Apparent Characteristics Using Artificial Neural Networks

زعفران به‌عنوان يك كالاي تجاري مهم در كشور به ­شمار مي‌آيد و توجه به مكانيزه كردن آن از مرحله توليد تا بسته‌بندي اهميت زيادي دارد. در بدو ورود زعفران به فرايند كيفي سنجي در آزمايشگاه ، ارزيابي اوليه بر اساس مشخصات ظاهري زعفران توسط شخص خبره انجام مي‌شود. ليكن بروز خطاي انساني در تشخيص كيفيت زعفران بر مبناي ويژگي‌هاي ظاهري آن امري اجتناب‌‌ناپذير‌ است؛ استفاده از تكنيك‌هاي مبتني بر هوش مصنوعي مي‌تواند ضمن مكانيزه كردن سيستم، در كاهش خطاهاي انساني نيز تأثيرگذار باشد. اين مطالعه از نوع تشخيصي بوده و پايگاه داده آن مشتمل بر 113 نمونه زعفران با 7 ويژگي مي‌باشد كه توسط محققين اين پژوهش، در مهر‌ماه 1396 از آزمايشگاه‌ معتبر زعفران و تحت نظارت شخص خبره جمع‌آوري‌ شده است. كيفي سنجي نمونه‌ها به كمك ويژگي‌ها در 4 كلاس مختلف زعفران پوشال درجه‌يك (نگين)، پوشال درجه دو (خوب)، پوشال درجه سه (معمولي) و پوشال درجه چهار (معمولي درجه‌دو) انجام ‌شده است. به‌ منظور درجه­ بندي زعفران، از روش‌هاي مبتني بر شبكه‌هاي عصبي مصنوعي استفاده‌ شده ‌است. پس از تحليل و مقايسه مدلهاي توليدشده با استفاده از دو نوع شبكه‌ عصبي پرسپترون چندلايه و شبكه عصبي بردار يادگير، بالاترين دقت كلاس‌بندي روي نمونه‌هاي آموزش و آزمون به ترتيب با 93/75 و 75/75 درصد حاصل شد. دقت به‌دست‌آمده نشان‌ دهنده آن است كه مدل شبكه عصبي پرسپترون چندلايه مي‌تواند به‌عنوان يك تصميم گير در كنار شخص خبره و يا به‌صورت مستقل در مراكز آزمايشگاهي زعفران مورد استفاده قرار ‌گيرد.

Saffron is an important commercial good in Iran and it is important to pay attention to its mechanization from production to packaging. Upon arrival of saffron to the laboratory's qualitative process, an initial assessment is carried out by an expert on the basis of its apparent features. However, human error in determining the quality of saffron based on its apparent features is inevitable. Use of artificial intelligence techniques can be effective in reducing human errors while mechanizing the system. This research was a diagnostic study and its database consisted of 113 samples of saffron with 7 features, which were collected by the researchers on October 2016 from the credible Saffron laboratory under the supervision of an expert. Sample qualitative analysis was performed with the help of features in four different classes including excellent, good, average and second grade average. Artificial neural networks was used to classify saffron. After analyzing and comparing the generated models using multilayer perceptron neural networks and learning vector neural network, the highest accuracy of classification on the training and testing samples was obtained to be 75.93 and 75.75%, respectively. The accuracy obtained indicated that the multi-layer perceptron neural network model can be used as a decision-making tool by an expert or independently in saffron lab centers.