ﺳﺎزﻣﺎن ﭘﮋوهشهای ﻋﻠﻤﯽ و ﺻﻨﻌﺘﯽ اﯾﺮان فناوری‌های جدید در صنعت غذا 2783-350X 13 1 2025 10 23 Analyzing the performance of deep learning models in tea fraud detection: A case study of black tea تحلیل عملکرد مدل‌های یادگیری عمیق در تشخیص تقلب در چای: مطالعه موردی چای سیاه 61 71 1576 10.22104/ift.2025.7831.2232 FA سجاد سبزی &#039;گروه مهندسی بیوسیستم دانشگاه علوم کشاورزی و منابع طبیعی گرگان راضیه پوردربانی عضو هیات علمی گروه مهندسی مکانیک بیوسیستم- دانشکده منابع طبیعی و فناوری کشاورزی-دانشگاه محقق اردبیلی - اردبیل – ایران Journal Article 2025 08 20 Tea is not only one of the most popular beverages in the world, but also one of the most important agricultural products due to its health benefits and wide applications in various industries. However, tea fraud is one of the main challenges in the industry. These frauds include the addition of foreign materials, colors, or falsification of geographical origin, which have negative effects on the health of consumers. At present paper, two deep learning models namely EfficientNet and Swin Transformer, were tested in detecting three types of fraud (tea waste, low-quality foreign tea, and expired tea) in Iranian black tea. The results indicate that the EfficientNet model was more successful in detecting tea waste than foreign tea and expired tea (with accuracy of 96.8% and F1-Score of 95.2%), while the Swin Transformer model performed better in detecting foreign tea and expired tea, showing an accuracy of 94.5% and an F1-Score of 93.7%, respectively. However, improved settings are suggested to reduce errors and improve the performance of the models. <span class="Y2IQFc" lang="fa">چای نه تنها از محبوب‌ترین نوشیدنی‌ها در سراسر جهان است، بلکه یک محصول کشاورزی حیاتی نیز محسوب می‌شود که به دلیل فواید سلامتی و کاربردهای متنوع صنعتی‌اش ارزشمند است. با این حال، تقلب در چای همچنان یک چالش بزرگ در این صنعت است که شامل اقداماتی مانند افزودن مواد خارجی و رنگ‌های مصنوعی یا جعل منشأ جغرافیایی می‌شود که همگی می‌توانند بر سلامت مصرف‌کننده تأثیر منفی بگذارند. در مطالعه حاضر، دو مدل یادگیری عمیق، یعنی EfficientNet و Swin Transformer، از نظر توانایی‌شان در تشخیص سه نوع تقلب در چای سیاه ایرانی ارزیابی شدند: ضایعات چای، چای خارجی بی‌کیفیت و چای تاریخ گذشته. نتایج نشان داد که مدل EfficientNet در تشخیص ضایعات چای دقت بالاتری دارد، در حالی که مدل Swin Transformer عملکرد بهتری در شناسایی چای خارجی و چای تاریخ گذشته نشان داد. دقت کلی مدل‌های EfficientNet و Swin Transformer برای تشخیص ضایعات چای 88.5٪ و 77.6٪، برای تشخیص چای خارجی 85٪ و 83٪ و برای هر دو مدل در تشخیص چای تاریخ گذشته 61.3٪ بود. با این حال، بهینه‌سازی بیشتر تنظیمات مدل برای کاهش خطاها و بهبود عملکرد توصیه می‌شود.</span> https://jift.irost.ir/article_1576_79c8bae6502936e712b567c98a454ca5.pdf