modeling honey adulteration by processing microscopic images using artificial intelligence methods

The aim of this study was to determine the authenticity of honey by processing microscopic images and obtaining an algorithm for classifying various honey frauds. in this study, sucrose, fructose, and fructose-glucose solution at a ratio of 0.9 were used to make honey adulteration. the level of adulterated honey was based on the weight percentages of 2.5, 5, 7.5, 10, 20, 30, 40, 50, 60, 70, 80, 90 and 100 by stirring. different samples were imaged under a microscope. each image was processed in 33 monochrome color spaces and 15 parameters were extracted from it. the three main and effective parameters of various color spaces were selected using sensitivity analysis for modeling honey fraud by adaptive fuzzy neural inference system (anfis), artificial neural network (ann), and response surface methodology. various criteria were used to evaluate the performance of the models such as coefficient of determination, mean square error, sum of squared estimate of errors, and mean absolute errors. the results showed that the determination coefficient and the mean square error of the artificial neural network model was 0.974 and 0.0024, respectively. finally, using the desirability function, the artificial neural network model was selected as the best model due to less prediction error values and desirability of 0.948.

مدل سازی تقلب در عسل بر اساس پردازش تصاویر میکروسکوپی به کمک روش‌های هوش مصنوعی

هدف از این مطالعه تعیین اصالت عسل با پردازش تصاویر میکروسکوپی و بدست آوردن الگوریتمی برای طبقه‌بندی تقلب‌های مختلف عسل است. در این مطالعه از ساکارز، فروکتوز و محلول فروکتوز - گلوکز با نسبت 0.9 برای ایجاد تقلب در عسل استفاده شد. سطح تقلب عسل براساس درصد وزنی 2.5 ، 5 ، 7.5 ، 10 ، 20 ، 30 ، 40 ، 50 ، 60 ، 70 ، 80 ، 90 و 100 با هم زدن ایجاد شد. نمونه های مختلف زیر میکروسکوپ تصویربرداری شد. هر تصویر در 33 فضای رنگی تک رنگ پردازش و 15 پارامتر از آن استخراج شد. با استفاده از تجزیه و تحلیل حساسیت سه پارامتر اصلی و موثر از فضاهای رنگی مختلف برای مدل سازی تقلب عسل توسط سیستم استنباط عصبی فازی تطبیقی، شبکه عصبی مصنوعی و روش سطح پاسخ انتخاب شد. برای ارزیابی عملکرد مدل‌ها از معیارهای مختلفی مانند ضریب تبیین ، میانگین مربعات خطا، مجموع توان‌های دوم باقیمانده‌ها و میانگین مطلق خطا استفاده شد. نتایج نشان داد که ضریب تبیین و میانگین مربعات خطا در مدل شبکه عصبی مصنوعی به ترتیب 974/0 و 0024/0 بوده است. این بهترین مدل با عملکرد مطلوب 0.948 و خطای پیش بینی کمتر بود. در نهایت، با استفاده از تابع مطلوبیت، به دلیل مقادیر خطای پیش بینی کمتر و مطلوبیت 0.948، مدل شبکه عصبی مصنوعی به عنوان بهترین مدل انتخاب شد.