Deep Learning for Saffron Adulteration Detection from Stigma Images: A Comparative Study of AlexNet, ResNet, and VGG16

Technische Samenvatting: Deep Learning voor de Detectie van Saffraanvervalsing op basis van Stigma-afbeeldingen

Probleemstelling
Saffraan (Crocus sativus L.) is een hoogwaardige specerij die gevoelig is voor economisch gemotiveerde vervalsing (EMA), waarbij frauduleuze materialen zoals geverfde maïszijde, saffloerstamperen en gekleurde plantenwortels worden gemengd met authentieke stigma's om het uiterlijk te imiteren en het bulkgewicht te vergroten. Hoewel conventionele laboratoriumtechnieken zoals HPLC, GC–MS en UV-Vis spectroscopie een hoge nauwkeurigheid bieden, zijn ze destructief, tijdrovend, kostbaar en vereisen ze gespecialiseerde infrastructuur, wat hun bruikbaarheid voor snelle screening na de oogst beperkt. Bestaande computer vision-benaderingen die vertrouwen op handmatig ontworpen kenmerken (handcrafted features) falen vaak onder variabele verlichting of natuurlijke morfologische variabiliteit. Er is behoefte aan een snel, niet-destructief en kosteneffectief geautomatiseerd systeem om de kwaliteit van saffraan te authenticeren in postharvest-processen.

Methodologie
De studie voerde een vergelijkende analyse uit van drie Convolutional Neural Network (CNN) architecturen—AlexNet, ResNet en VGG16—met behulp van transfer learning om tussen authentieke en vervalste saffraanstigma's te onderscheiden.

• Dataset: Een gecureerde dataset van 1.020 door experts gelabelde RGB-afbeeldingen werd samengesteld, bestaande uit 719 authentieke monsters (dekend voor de gradaties Sargol, Negin en Pushal) en 301 vervalste monsters (laboratorium-voorbereide imitaties van veelvoorkomende adulteranten). Om datalekken (data leakage) te voorkomen, werd elk fysieke monster slechts één keer gefotografeerd.
• Preprocessing: Afbeeldingen werden vastgelegd met een Canon 700D DSLR. De preprocessing omvatte het bijsnijden van 10% van de randmarges, het toepassen van binaire maskers om filamenten te isoleren, en het homogeniseren van de achtergrond via RGB-drempelwaarde-analyse (het vervangen van pixels met waarden >180 door wit). Afbeeldingen werden geresize naar architectuur-specifieke inputs (bijv. 227×227 voor AlexNet) en genormaliseerd.
• Data Augmentatie: Een online augmentatiestrategie werd toegepast tijdens de training, inclusief willekeurige rotaties (0–360°) en horizontale/verticale spiegelingen om de robuustheid te vergroten. Validatie- en testsets werden niet geaugmenteerd.
• Modelconfiguratie: De laatste classificatielagen van de pre-trained modellen (ImageNet gewichten) werden vervangen door een twee-eenheids volledig verbonden laag (fully connected layer) en softmax-activatie. Modellen werden end-to-end gefinetuned met Stochastic Gradient Descent (SGD) met momentum (0.9), een mini-batch grootte van 64, en een initiële leersnelheid van 1e-4 voor 50 epochs.
• Implementatie: De training werd uitgevoerd op een CPU-gebaseerd systeem (Intel Core i5-6200U, 8GB RAM) met behulp van MATLAB R2020a. De dataset werd gesplitst in 80% training en 20% validatie, met een aparte testset voor de uiteindelijke evaluatie.
• Evaluatie: Prestaties werden gemeten aan de hand van Accuracy, Sensitiviteit (Recall voor vervalst), Specificiteit (Recall voor authentiek), Precisie (PPV) en Negatieve Voorspellende Waarde (NPV).

Belangrijkste Resultaten
De studie evalueerde de modellen op hun vermogen om visuele vervalsing te detecteren:

• AlexNet: Behaalde de hoogste algehele nauwkeurigheid van 96,49%. Het vertoonde 100% sensitiviteit (correcte identificatie van alle vervalste monsters) en 93,75% specificiteit. Het vertoonde een snelle convergentie binnen 15–20 epochs.
• ResNet-50: Behaalde 94,74% nauwkeurigheid. Het vertoonde 100% specificiteit en 100% precisie, maar een lagere sensitiviteit (90%), wat resulteerde in drie fout-negatieven (het onjuist classificeren van vervalste monsters als authentiek).
• VGG16: Behaalde 87,72% nauwkeurigheid. Hoewel het 100% sensitiviteit bereikte, was de specificiteit aanzienlijk lager (79,41%), wat leidde tot een hoger aantal fout-positieven (het onjuist classificeren van authentieke monsters als vervalst). De auteurs schrijven deze onderprestatie toe aan de diepte en het aantal parameters van het model in relatie tot de omvang van de dataset en de computationele beperkingen van CPU-gebaseerde training, wat de effectieve convergentie beperkte.

Significantie en Claims
Het artikel claimt dat deep learning, specifelijk CNN's, een haalbaar, snel en niet-destructief alternatief biedt voor chemische analyse voor de authenticatie van saffraan. De primaire bijdrage is de demonstratie dat zelfs relatief compacte architecturen zoals AlexNet effectief de relevante morfologische en chromatische kenmerken kunnen vastleggen die nodig zijn om echte stigma's van visuele vervalsingen te onderscheiden, waarbij ze diepere modellen in deze specifieke context overtreffen vanwege betere optimalisatiedynamiek op middelgrote datasets.

De auteurs positioneren dit werk als een fundament voor de integratie van AI-gestuurde screening in postharvest kwaliteitscontrole, gradering en exportinspecties. Ze benadrukken dat de hoge sensitiviteit van het AlexNet-model bijzonder waardevol is voor screeningstoepassingen waarbij het missen van een vervalst monster (een fout-negatief) een groter economisch risico vormt dan een vals alarm.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen expliciet verschillende beperkingen:

1. Beeldvormingscondities: De studie maakte gebruik van gecontroleerde verlichting en uniforme achtergronden, wat de complexe real-world postharvest-omgevingen met overlappende filamenten en variabele verlichting mogelijk niet volledig repliceert.
2. Validatie: Prestatie-indicatoren waren gebaseerd op een enkele willekeurige data-split zonder k-fold cross-validatie.
3. Hardwarebeperkingen: Training op een CPU, met name voor VGG16, heeft de optimale convergentie waarschijnlijk gehinderd.
4. Generalisatie: De studie heeft geen cross-validatie toegepast of getest op diverse, grootschalige datasets.

Toekomstig werk dat door de auteurs wordt gesuggereerd, omvat het valideren van modellen op grotere en diversere datasets, het toepassen van k-fold cross-validatie, het gebruik van GPU-acceleratie, het integreren van explainable AI (XAI) voor transparantie, en het ontwikkelen van lichtgewicht modellen voor on-device inferentie (bijv. via smartphones) voor real-world deployment. De auteurs stellen ook voor om hybride beeldvorming-spectroscopie pipelines te verkennen voor een robuustere authenticatie.