توسعه و ارزیابی یک سامانه بینایی ماشین هوشمند به منظور تشخیص تقلب سنگدان مرغ در گوشت قرمز چرخ کرده

در این پژوهش سامانه ای هوشمند مبتنی بر بینایی ماشین با بهره گیری از تحلیل رنگی تصاویر دیجیتال گرفته شده با تلفن همراه برای تشخیص تقلب  افزودن سنگدان مرغ به گوشت  قرمز گوسفندی-گوساله چرخ شده توسعه داده و ارزیابی شد. بدین منظور، نمونه هایی مرسوم گوشت قرمز چرخ شده (%۵۵ گوسفند و %۴۵ گوساله) با درصدهای مختلف سنگدان (۰ تا ۱۰۰ درصد) تهیه و در شرایط نورپردازی محیطی آزمایشگاه مستقیم از روی نمونه و از روی بسته سلفونی تصویربرداری شدند. ویژگی های رنگی (R، G، و B) تصاویر نمونه ها در محیط متلب استخراج و با روش های یادگیری ماشین شامل تحلیل مولفه های اصلی (PCA)، رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) مدل سازی انجام شد. بهترین نتایج مدل PLSR برای تخمین درصد تقلب با ضریب تعیین R² و شاخص RMSR در حالت بدون پوشش سلفون برابر با ۷/۰ و ۵۱/۱۶ حاصل شد. این شاخص ها برای مدل  MLP  برابر با ۹۷/۰ و ۶۷۳/۶ بدست آمد در صورتی که نتایج برای حالت با پوشش سلفون به دلیل انعکاس های نوری پوشش پایین تر (۹۰/۰ و ۵۴/۱۲) بدست آمد. مدل طبقه بند MLP با دقت های %۸۵، %۴/۹۶، %۶/۹۲، %۷/۷۳، %۲/۷۶ و %۷/۹۶ به ترتیب نمونه های تقلبی %۱۰-۰، %۲۰-۱۰، %۳۰-۲۰، %۴۰-۳۰، %۵۰-۴۰ و بیش از %۵۰ را طبقه بندی کرد. میانگین های صحت، حساسیت و F۱ score برای مدل ایجاد شده به ترتیب ۹۷۵/۰،  ۹۷۴/۰ و ۹۷۵/۰ بدست آمد. نتایج نشان داد این روش غیرمخرب، سریع و قابل اعتماد برای شناسایی تقلب سنگدان در گوشت چرخ کرده است و می تواند به عنوان مبنایی برای توسعه سامانه های کنترل کیفیت گوشت مورد استفاده قرار گیرد.

کلیدواژه ها:

پردازش تصویر ، تقلب غذایی ، شبکه های عصبی مصنوعی ، مدل سازی