تشخیص قارچ‌های خوراکی و غیر‌خوراکی با استفاده از بینی الکترونیکی و هوش مصنوعی

عدم توانایی مردم عادی در تفکیک قارچ‌های خوراکی از قارچ‌های غیرخوراکی و سمی چالشی پرمخاطره است که می‌تواند منجر به بروز مسمومیت قارچی شود. در این پژوهش امکان‌سنجی کاربرد سامانه بویایی ماشین بر پایه‌ی حسگرهای نیمه هادی اکسید فلزی به عنوان ابزاری غیر مخرب برای تفکیک قارچ‌های غیرخوراکی از قارچ‌های خوراکی مورد ارزیابی قرار گرفت. تحلیل مولفه های اصلی pca، تحلیل تفکیک خطی lda، تحلیل تفکیک خطی درجه 2 qda، ماشین بردار پشتیبان svm و شبکه عصبی مصنوعی ann روشهایی بودند که برای رسیدن به این هدف مورد استفاده قرار گرفتند. نتایج به‌دست آمده از تحلیلها نشان داد که بهترین عملکرد در روش pca در تفکیک 5 نمونه قارچ خوراکی و غیرخوراکی با دقت 91 درصدی بود. نتایج به دست آمده نشان داد که روش تحلیل qda با دقت 100 درصدی و عملکرد بهتری از روش lda نمونههای قارچ را در سه دستهی مختلف تفکیک کرد. در این میان، روش svm از میان نمونههای قارچ خوراکی و قارچ غیرخوراکی تنها توانست قارچ a.bisporus را به صورت کامل و 100 درصدی تشخیص دهد و عملکرد مناسبی در تفکیک سایر نمونه‌ها نداشت. روش ann عملکرد مطلوبی در طبقه بندی نمونهها داشت، به طوری که توانست نمونههای a. bisporus، s. comptus و r. delica را به صورت 100 درصدی طبقه‌بندی کند. با توجه به نتایجی که در این پژوهش به دست آمد، می‌توان گفت دقت روش qda در طبقهبندی انواع مختلف قارچ‌ها نسبت به سایر روش‌ها بالاتر بود. با توجه به عملکرد مناسب بویایی ماشین در تفکیک قارچ‌های خوراکی از قارچ‌های غیرخوراکی، به نظر می‌رسد کاربرد این فناوری روشی امیدبخش در تفکیک گونه‌های مختلف قارچ خواهد بود.