استفاده از پردازش تصویر و شبکه‌های عصبی مصنوعی به منظور تشخیص تقلب در زیره سیاه پارسی

زیره‌ پارسی ایران نقش ویژه‌ای در صادرات و صنایع داخلی دارد. امروزه، با توجه به عرضه گسترده‌ انواع زیره تقلبی در بازار، شناسایی زیره‌ پارسی اصیل از نمونه های تقلبی آن ضروری است. از میان معیارهای مختلف شناسایی، می‌توان به شاخص‌های رنگ و بافت اشاره نمود. روش‌های سنتی مانند بازرسی دستی و بصری، علاوه بر زمان‌بر بودن، با احتمال بالای خطای انسانی همراه هستند. در این پژوهش، بمنظور ارائه روشی نوین، دقیق و سریع، از فناوری ماشین بینایی برای استخراج ویژگی‌های رنگی و بافتی زیره از تصاویر آن استفاده شد. سپس، با به‌کارگیری شبکه‌ عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس‌انتشار با یک لایه پنهان و ارزیابی نرون های مختلف در این لایه، فرآیند تشخیص زیره‌ پارسی اصیل از انواع تقلبی انجام گرفت. پنج نمونه از زیره‌ پارسی و چهار نمونه از زیره‌ تقلبی با بیشترین فراوانی در بازار مورد ارزیابی قرار گرفتند. نتایج نشان داد بهترین میانگین دقت شناسایی زیره‌ اصیل از تقلبی، با استفاده از شبکه عصبی با یک لایه پنهان با بکارگیری تابع انتقال لگاریتم سیگموئید در این لایه و تابع خطی در لایه خروجی و الگوریتم یادگیری لونبرگ مارکوات، به ترتیب 93.51 درصد برای ویژگی‌های رنگی، 86/ 95 درصد برای ویژگی‌های بافتی و 95.59 درصد برای ترکیب این دو ویژگی (رنگی-بافتی) به دست آمد که نتایج  شبکه عصبی با استفاده از ویژگی های بافتی عملکرد بهتری داشت. نتایج این تحقیق نشان داد که فن آوری ماشین بینایی و شبکه‌های عصبی مصنوعی، قابلیت بالایی در شناسایی زیره‌ اصیل پارسی از نمونه های تقلبی با دقت بالا دارد.

application of image processing and artificial neural networks for detection of adulteration in persian black cumin

persian cumin plays a significant role in both exports and domestic industries of iran. today, due to the widespread availability of counterfeit cumin in the market, identifying authentic persian cumin from its counterfeit counterparts has become increasingly essential. among the various criteria for identification, color and texture indices are particularly notable. traditional methods, such as manual and visual inspections, are not only time-consuming but also prone to a high degree of human error. in this study, in order to propose a new, precise, and rapid method, machine vision technology was utilized to extract the color and texture features of cumin from its images. subsequently, a multi-layer perceptron artificial neural network with a backpropagation algorithm and a hidden layer was employed, evaluating different neurons in this layer to perform the process of distinguishing authentic persian cumin from counterfeit varieties in the market. in this study, five samples of authentic persian cumin and four samples of counterfeit cumin, were evaluated. the results showed that the highest average classification and identification accuracy of authentic cumin from counterfeit cumin, using a neural network with one hidden layer and employing a sigmoid transfer function in this layer and a linear function in the output layer with the levenberg-marquardt learning algorithm, were 93.51% for color features, 95.86% for texture features, and 95.59% for the combination of these two features (color-texture). however, the findings showed that machine vision technology and artificial neural networks have a high capability in accurately identifying authentic persian cumin from counterfeit samples.