با توجه به اهمیت رب گوجه فرنگی به عنوان یکی از پرکاربردترین محصوالت غذایی، وجود آالینده های میکروبی و به ویژه قارچی در این محصول می تواند خطرات جدی برای سالمت مصرف کنندگان به همراه داشته باشد. روش های سنتی تشخیص آلودگی مانند کشت میکروبی زمان بر و در برخی موارد دقت کافی ندارند. بنابراین، فناوری های نوین، به ویژه پردازش تصویر، به عنوان ابزارهای مؤثر برای شناسایی و تشخیص آلودگی های قارچی در محصوالت غذایی مورد توجه قرار گرفته اند. از این رو این پژوهش به بررسی و مقایسه سه مدل پیشرفته یادگیری عمیقCNN، MobileNet و 8YOLOvبرای تشخیص بقایای ریسه قارچی در رب گوجه فرنگی می پردازد. با توجه به اهمیت رب گوجه فرنگی در صنعت غذایی و خطرات جدی ناشی از آلودگی های قارچی برای سالمت مصرف کنندگان، استفاده از فناوری های نوین پردازش تصویر برای شناسایی این آلودگیها ضروری است. در این مطالعه، از تصاویر میکروسکوپی با کیفیت باال از چهار نوع رب گوجهفرنگی ایرانی استفاده شد. نتایج نشان داد که مدل CNN با دقت /27 %98 و AUC /9838 0 در دادههای آموزشی، بهترین عملکرد را داشت، اما با چالش بیش برازش مواجه شد MobileNet .با دقت /8 %93 و AUC /935 ،0 عملکرد قابل قبولی نشان داد و برای دستگاه های با منابع محدود مناسب بود. 8YOLOv علیرغم چالش هایی در تشخیص اشیاء کوچک، پتانسیل باالیی برای کاربردهای زمان واقعی نشان داد .این پژوهش همچنین به بررسی تأثیر شرایط محیطی بر عملکرد مدلها پرداخته و راهکارهایی برای بهبود مقاومت سیستم ارائه داده است. یکی از مزایای قابل توجه روش پیشنهادی، امکان تشخیص غیرمستقیم آالینده های قارچی بدون نیاز به تعامل فیزیکی است که احتمال آلودگی های ثانویه را کاهش می دهد.یافته های این مطالعه می تواند به طور قابل توجهی به بهبود فرآیندهای کنترل کیفیت در صنعت تولید رب گوجهفرنگی کمک کند و زمینه را برای توسعه سیستم های خودکار تشخیص آلودگی در صنایع غذایی فراهم آورد. این پژوهش نه تنها به ارتقای ایمنی و کیفیت محصوالت غذایی کمک می کند، بلکه چارچوبی ارزشمند برای ارزیابی و بهینه سازی مدلهای یادگیری ماشین در کاربردهای مشابه ارائه میدهد.
