مروری بر کاربرد روش های بینایی ماشین برای طبقه بندی و تشخیص تقلب در برنج

برنج، به عنوان یکی از پرمصرف ترین غلات در جهان، دارای تنوع ژنتیکی زیادی است. این تنوع ژنتیکی باعث می شود که ارقام مختلف برنج از نظر برخی ویژگی ها مانند طول و عرض و ضخامت و نسبت طول به عرض و رنگ دانه از هم متمایز شوند. با استفاده از این ویژگی ها، می توان انواع مختلف برنج را طبقه بندی و کیفیت بذرها را ارزیابی کرد. از سوی دیگر، به دلیل تنوع بالا در کیفیت و ارزش اقتصادی، تقلب در برنج به یکی از شایع ترین اشکال تقلب در زنجیره تامین محصولات کشاورزی تبدیل شده است. اطمینان از طبقه بندی دقیق ارقام و تشخیص چنین تقلب هایی برای حفظ کیفیت و ایمنی مواد غذایی حیاتی است. تکنیک های بینایی ماشین و هوش مصنوعی راه حل های غیرمخرب، سریع و مقرون به صرفه ای را برای این موضوع ارائه می دهند. در این مقاله به بررسی روش های مبتنی بر هوش مصنوعی برای طبقه بندی ارقام برنج پرداخته شده است. این روش ها به دو رویکرد یادگیری ماشین سنتی که از ویژگی های دستی مانند شکل و رنگ استفاده می کنند، و مدل های پیشرفته یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی، که به طور خودکار ویژگی های متمایز کننده را از تصاویر دانه های برنج استخراج می کنند، تقسیم می شوند. با معرفی روش های یادگیری عمیق، پیشرفت های قابل توجهی شامل استفاده از یادگیری انتقالی برای تشخیص تقلب برنج با داده های محدود صورت گرفته است. با این حال، چالش های مختلفی همچنان وجود دارد که از جمله می توان به نیاز به مجموعه داده های بزرگ و متنوع، مدیریت تغییرپذیری در شرایط تصویربرداری، و پر کردن شکاف بین تحقیقات آزمایشگاهی و کاربردهای عملی صنعتی اشاره کرد.

کلیدواژه ها:

برنج ، بینایی ماشین ، تشخیص تقلب ، یادگیری عمیق ، یادگیری ماشین