درجه بندی زعفران بر اساس ویژگی های ظاهری با استفاده از شبکه های عصبی مصنوعی

زعفران به عنوان یک کالای تجاری مهم در کشور به­شمار می آید و توجه به مکانیزه کردن آن از مرحله تولید تا بسته بندی اهمیت زیادی دارد. در بدو ورود زعفران به فرایند کیفی سنجی در آزمایشگاه ، ارزیابی اولیه بر اساس مشخصات ظاهری زعفران توسط شخص خبره انجام می شود. لیکن بروز خطای انسانی در تشخیص کیفیت زعفران بر مبنای ویژگی های ظاهری آن امری اجتناب ناپذیر است؛ استفاده از تکنیک های مبتنی بر هوش مصنوعی می تواند ضمن مکانیزه کردن سیستم، در کاهش خطاهای انسانی نیز تاثیرگذار باشد. این مطالعه از نوع تشخیصی بوده و پایگاه داده آن مشتمل بر 113 نمونه زعفران با 7 ویژگی می باشد که توسط محققین این پژوهش، در مهر ماه 1396 از آزمایشگاه معتبر زعفران و تحت نظارت شخص خبره جمع آوری شده است. کیفی سنجی نمونه ها به کمک ویژگی ها در 4 کلاس مختلف زعفران پوشال درجه یک (نگین)، پوشال درجه دو (خوب)، پوشال درجه سه (معمولی) و پوشال درجه چهار (معمولی درجه دو) انجام شده است. به منظور درجه­بندی زعفران، از روش های مبتنی بر شبکه های عصبی مصنوعی استفاده شده است. پس از تحلیل و مقایسه مدل های تولیدشده با استفاده از دو نوع شبکه عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر، بالاترین دقت کلاس بندی روی نمونه های آموزش و آزمون به ترتیب با 75/93 و 75/75 درصد حاصل شد. دقت به دست آمده نشان دهنده آن است که مدل شبکه عصبی پرسپترون چندلایه می تواند به عنوان یک تصمیم گیر در کنار شخص خبره و یا به صورت مستقل در مراکز آزمایشگاهی زعفران مورد استفاده قرار گیرد.

Keywords:

داده کاوی , کیفی سنجی زعفران , یادگیری ماشین , هوش مصنوعی