فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش سامانه‌ای هوشمند مبتنی بر بینایی ماشین با بهره‌گیری 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، نمونه‌هایی مرسوم گوشت قرمز چرخ شده (%55 گوسفند و %45 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. ویژگی‌های رنگی (R، G، و B) تصاویر نمونه‌ها در محیط متلب استخراج و با روش‌های یادگیری ماشین شامل تحلیل مؤلفه‌های اصلی (PCA)، رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) مدل‌سازی انجام شد. بهترین نتایج مدل PLSR برای تخمین درصد تقلب با ضریب تعیین R² و شاخص RMSR در حالت بدون پوشش سلفون برابر با 7/0 و 51/16 حاصل شد. این شاخص‌ها برای مدل  MLP  برابر با 97/0 و 673/6 بدست آمد در صورتی‌که نتایج برای حالت با پوشش سلفون به دلیل انعکاس‌های نوری پوشش پایین‌تر (90/0 و 54/12) بدست آمد. مدل طبقه‌بند MLP با دقت‌های %85، %4/96، %6/92، %7/73، %2/76 و %7/96 به ترتیب نمونه‌های تقلبی %10-0، %20-10، %30-20، %40-30، %50-40 و بیش از %50 را طبقه‌بندی کرد. میانگین‌های صحت، حساسیت و F1 score برای مدل ایجاد شده به ترتیب 975/0،  974/0 و 975/0 بدست آمد. نتایج نشان داد این روش غیرمخرب، سریع و قابل اعتماد برای شناسایی تقلب سنگدان در گوشت چرخ‌کرده است و می‌تواند به‌عنوان مبنایی برای توسعه سامانه‌های کنترل کیفیت گوشت مورد استفاده قرار گیرد.