برنج غذای اصلی حدود 2/5 میلیارد نفر از جمعیت جهان است. کیفیت این محصول تحت تاثیر عوامل مختلفی است. در نتیجه، کنترل کیفیت و تشخیص تقلب از مسائل مهم صنعت برنج محسوب می شود. هدف از این تحقیق، بررسی و تشخیص تقلب برنج با بکارگیری روش طیف سنجی Vis/NIR و روش های شیمی سنجی و یادگیری ماشین بود. برای انجام آزمایش ها 13 کلاس براساس میزان اختلاط رقم اصلی برنج (رقم هاشمی) با ارقام غیراصلی فجر، گیلانه، خزر و شیرودی تهیه شد، بدین صورت که کلاس های ناخالص حاصل اختلاط 90، 80 و 70 درصد از برنج رقم هاشمی به ترتیب با 10، 20 و 30 درصد از ارقام دیگر مورد اشاره بود. برای طبقه بندی نمونه های برنج از الگوریتم های پرسپترون چندلایه (MLP)، درخت تصمیم (DT) و ماشین های بردار پشتیبان (SVM) استفاده شد. برای ارزیابی عملکرد طبقه بندهای مورد مطالعه از شاخص های آماری شامل حساسیت (Se)، ویژه بودن (Sp)، صحت (Ac) و ریشه میانگین مربعات خطا (RMSE) در قالب توسعه ماتریس های آسیمگی طبقه بندها استفاده شد. نتایج مطالعه نشان داد که الگوریتم های درخت تصمیم از نوع J48، شبکه های عصبی مصنوعی پرسپترون چندلایه و ماشین بردار پشتیبان با تابع هسته RBF به ترتیب با مقادیر صحت و RMSE برابر با 100 درصد و صفر، 96/92 درصد و 0/0951 و 92/31 درصد و 0/2483 توانستند نمونه های مختلف برنج سفید را طبقه بندی کنند.
