جعفر امیری پریان

فلفل سیاه، فلفل قرمز و دارچین جزء ادویه­ها و گیاهان دارویی هستند که از لحاظ اقتصادی اهمیت ویژه­ای دارند. از این ادویه­ها معمولاً به عنوان تقویت کننده، طعم­دهنده و نگهدارنده در مواد غذایی و خوراکی مختلف استفاده می­شود.. امروزه بررسی تقلب در مواد غذایی امری ضروری به نظر می­رسد. در حال حاضر بررسی تقلب در آزمایشگاه و به روش های شیمیایی انجام می­پذیرد که کاری خسته­کننده، پرهزینه و نیازمند نیروی انسانی ماهر است. همچنین به واسطه خستگی ذهنی در انجام عمل تکراری جداسازی، روشی غیرمطمئن محسوب می­شود. ماشین بینایی از یکنواختی و دقت کافی در تشخیص برخوردار است و از پرکاربردترین فناوری­های مورد استفاده در صنایع غذایی، کشاورزی نوین و صنعت می باشد. تصویربرداری فراطیفی جدیدترین روش تصویربرداری است که برای ارزیابی سریع و دقیق کیفیت مواد غذایی به کار می رود. هدف از پژوهش حاضر طراحی الگوریتمی برای پردازش و تحلیل تصاویر فراطیفی به منظور تشخیص تقلب در فلفل سیاه، فلفل قرمز، و دارچین است. برای هر ادویه سه ماده تقلبی (آرد گندم، آرد نخود، و کف دریا)، پنج سطح تقلب (0، 5، 15، 30 و 50 درصد) و سه تکرار (در کل 135 نمونه) در نظر گرفته شد. تصاویر فراطیفی نمونه ­ها در آزمایشگاه پردازش تصویر دانشگاه ایلام با استفاده از دوربین تصویربرداری فراطیفی اسکن خطی مدل (Specam) با طول موج 950-400 نانومتر گرفته شد. پس از برش ناحیه وسط تصاویر، طول موج های موثر انتخاب و ویژگی­های مختلفی از تصاویر در آن طول موج­ها استخراج شد. سپس ویژگی کارا انتخاب و به منظور طبقه بندی آن­ها از روش های ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده شد. بالاترین دقت طبقه­بندی برای مدل مبتنی بر شبکه عصبی مصنوعی در تشخیص تقلب آرد نخود، کف دریا و آرد گندم در فلفل سیاه حاصل شد (%100). دقت این روش برای تشخیص مواد تقلبی در دارچین به ترتیب برابر با %100، %9/98 و %100 و در فلفل قرمز به ترتیب برابر با %100، %100 و %9/98 بود. دقت طبقه­بندی روش ماشین بردار پشتیبان با راهبرد یکی در برابر یکی در تشخیص آرد نخود، کف دریا و آرد گندم در فلفل سیاه (به ترتیب برابر با %55/95، %88/98 و %88/98) بالاتر از فلفل قرمز (%55/95، %55/95 و %77/97) و آن هم بالاتر از دارچین (به ترتیب برابر %55/95، %56/85 و %66/96) بود. دقت طبقه­بندی توسط روش ماشین بردار پشتیبان با راهبرد یکی در برابر همه در تشخیص مواد تقلبی در فلفل سیاه به ترتیب برابر با %33/93، %11/91 و %100، در دارچین به ترتیب برابر با %88/78، %77/77 و %44/94 و در فلفل قرمز برابر با %88/88 حاصل شد. نتایج تحقیق حاضر نشان داد که الگوریتم طراحی شده به کمک طبقه‎بند مبتنی بر روش شبکه عصبی مصنوعی توانایی بالایی در تشخیص سطوح مختلف مواد تقلبی در ادویه‎های مورد مطالعه را دارد.