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

زیره پارسی ایران نقش ویژه ای 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، می توان به شاخص های رنگ و بافت اشاره نمود. روش های سنتی مانند بازرسی دستی و بصری، علاوه بر زمان بر بودن، با احتمال بالای خطای انسانی همراه هستند. در این پژوهش، بمنظور ارائه روشی نوین، دقیق و سریع، از فناوری ماشین بینایی برای استخراج ویژگی های رنگی و بافتی زیره از تصاویر آن استفاده شد. سپس، با به کارگیری شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار 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 51/93 درصد برای ویژگی های رنگی، 86/ 95 درصد برای ویژگی های بافتی و 59/95 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 شبکه های عصبی مصنوعی، قابلیت بالایی در شناسایی زیره اصیل پارسی از نمونه های تقلبی با دقت بالا دارد.