ناصر بهروزی خزاعی

چای سیاه یکی از پرمصرف‌ترین نوشیدنی‌ها در جهان و ایران است که درجه‌بندی کیفی و تشخیص میزان تقلب و ناخالصی‌ها در آن اهمیت بالایی در صنعت غذا و اقتصاد کشاورزی دارد. روش‌های سنتی ارزیابی کیفیت، اغلب زمان‌بر، هزینه‌بر و وابسته به عامل انسانی هستند. هدف از این پژوهش، توسعه یک سیستم هوشمند و غیرمخرب برای درجه‌بندی چای سیاه در چهار کلاس زرین،ممتاز، قلم و شکسته و تشخیص تقلب ترکیب چای بی‌کیفیت با چای باکیفیت با درصدهای مختلف ترکیب 0، 10، 20، 30، 40 و 50 است. همچنین تعیین ناخالصی‌های مربوط به ساقه چای با درصدهای مختلف 0، 5، 10، 15 و 20 درصد با استفاده از مدل‌های یادگیری عمیق نیز می‌باشد. در این پژوهش، به کمک یک سیستم بینایی ماشین متشکل از دوربین و سیستم روشنایی پایگاه تصاویر مربوط به درجات مختلف، درصدهای مختلف تقلب و ناخالصی چای ایجاد شد. برای ارزیابی قابلیت مدل‌های یادگیری عمیق در حل مسائل فوق، چندین معماری پیشرفته شبکه‌های عصبی کانولوشنی شامل MobileNet، EfficientNet، SqueezeNet، ShuffleNet و ConvNeXt مورد بررسی و ارزیابی قرار گرفتند. به‌منظور بهینه‌سازی مدل‌ها، از تکنیک یادگیری انتقالی و تنظیم دقیق عمیق پارامترها استفاده شد. نتایج حاصل از ارزیابی مدل‌ها نشان داد که مدل EfficientNet-B0 با کسب دقت 100 درصد در مرحله آزمون، بهترین عملکرد را در تفکیک درجات چای سیاه ایرانی از خود نشان داد. استراتژی سلسله مراتبی در شناسایی میزان تقلب و ناخالصی‌ها و نیز استفاده ترکیبی از مدل‌های EfficientNet و ConvNeXt در مدل‌های متخصص در استراتژی سلسله مراتبی باعث کاهش حجم و اندازه مدل‌ها شد و در نهایت به دقت‌های کلی 56/93 و 67/96 درصد به‌ترتیب برای تشخیص میزان تقلب و درصد ناخالصی‌ها را نیز از خود نشان دادند. همچنین، استفاده از معماری‌های سبک‌وزن علاوه بر دقت بالا، پتانسیل بالایی برای پیاده‌سازی در سیستم‌های بلادرنگ و گوشی‌های هوشمند دارند. به طور کلی، نتایج این پژوهش نشان‌دهنده کارایی بالای یادگیری عمیق به عنوان ابزاری مطمئن در کنترل کیفیت هوشمند صنعت چای است.