کاربرد الگوریتم‌ خوشه‌‌بندی فازی و تصاویر ابر‌‌‌‌طیفی به منظور اصالت‌‌سنجی برنج

برنج یک محصول حیاتی و راهبردی است که به عنوان منبع اصلی غذایی مورد استفاده قرار می‌‌گیرد. تقاضای بالا برای خرید و مصرف برنج، منجر به تقلب در این محصول در سطح جهانی می‌شود. از این رو روشی غیر‌مخرب و سریع برای احراز اصالت برنج نیاز است. برنج هاشمی که به عنوان برنج گران قیمت و با کیفیت بالای بازار ایران معروف است با برنج‌های همچون ندا و شیرودی که از لحاظ شکل بسیار شبیه ولی از لحاظ کیفیت و قیمت پایین‌تر از آن هستند، ترکیب می‌شود. در این پژوهش از تصویر‌‌برداری ابر‌‌‌طیفی همراه با الگوریتم خوشه‌‌بندی فازی برای ارزیابی تقلب در نمونه‌‌های برنج هاشمی استفاده شد. ابتدا به منظور کاهش ابعاد داده‌‌ها روش تجزیه و تحلیل مولفه‌های اصلی بر روی داده‌‌های پیش‌‌پردازش شده به‌وسیله روش‌های اصلاح پراکندگی ضربی و ساویتزکی-گولای اعمال شد. سپس الگوریتم خوشه‌‌بندی بدون نظارت فازی با استفاده از طول موج کامل طیف (1000-400 نانومتر) به خوبی توانست نمونه اصلی را از نمونه‌‌های تقلبی جدا کند. همچنین نمودار عضویت فازی نمونه‌‌‌های اصلی و تقلبی و اختلاط 5 درصد تا 50 درصد را به خوبی از هم جدا کرد و درستی روش فازی را تایید کرد. بنابراین، سامانه تصویر‌‌برداری ابر‌‌‌طیفی همراه با الگوریتم‌‌‌های بدون نظارت فازی را می‌‌توان به عنوان روشی مطمئن و خارج از آزمایشگاه برای اصالت‌‌سنجی سریع برنج هاشمی و امکان‌سنجی وجود تقلب در آن را استفاده کرد.

application of fuzzy clustering algorithm and hyperspectral images for rice authentication

rice is a vital and strategic product that is used as a major food source. the high demand for purchasing and consuming rice leads to the adulteration of this product globally. hence, a non-destructive and rapid method is needed to verify the authenticity of rice. hashemi rice, a high-priced and high-quality rice in the market, is combined with rice such as neda and shiroudi, which are very similar in shape but lower in quality and price than hashemi rice. this study used hyperspectral imaging (hsi) coupled with a fuzzy clustering algorithm to assess adulteration in hashemi rice samples. first, to reduce the data’s dimensionality, the principal component analysis method was applied to the preprocessed data using the multiplicative dispersion correction and savitzky-golay methods. then, the fuzzy unsupervised clustering algorithm was applied using the whole spectrum wavelength (400-1000 nm). it was able to separate the original sample from the adulterated samples well. also, the fuzzy membership diagram separated the original and self-adulterated samples, mixing 5% to 50%, confirming the correctness and capability of the fuzzy method. therefore, the hsi system with fuzzy unsupervised algorithms can be used as a reliable and out-of-laboratory method for rapid rice authenticity evaluation.