به گزارش خبرگزاری مهر به نقل از دانشگاه تهران، در پژوهشی که به تازگی به سرپرستی دکتر جهانبخش قاسمی، استاد دانشکده شیمی دانشکدگان علوم دانشگاه تهران با همکاری علی صادقی و شکوفه خانی، دانشجویان این دانشکده و همچنین پژوهشگرانی از دانشگاه علوم پزشکی تهران انجام شده، راهکاری معرفی شده است که می‌تواند به عنوان یک راهکار استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.

دکتر قاسمی، سرپرست این تیم تحقیقاتی، درباره اهمیت این پژوهش گفت: «زردچوبه به دلیل کاربردهای فراوان در آشپزی، داروسازی و طب سنتی، یکی از محصولات پرمصرف و ارزشمند به‌شمار می‌رود. با این حال در بسیاری از موارد، به انگیزه سودجویی، موادی مانند نشاسته ذرت، آرد گندم و آرد برنج به آن افزوده می‌شود. تشخیص این ناخالصی‌ها با روش‌های سنتی، زمان‌بر، پرهزینه و در مقیاس صنعتی، تقریباً ناممکن است. از این رو، این پژوهش با هدف توسعه یک روش سریع، دقیق و غیرمخرب برای شناسایی و تعیین میزان ناخالصی در زردچوبه انجام شده است.»

قاسمی افزود: «در این مطالعه، ترکیبی از روش‌های پیشرفته حسگرهای نوری، شامل طیف‌سنجی مادون قرمز نزدیک (NIR)، تحلیل تصاویر RGB و مدل‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنی (CNN) به کار گرفته شد. برای این منظور، سه نمونه زردچوبه خالص از بازارهای محلی تهیه و در آزمایشگاه پودر شدند. سپس این پودرها با مقادیر مختلفی از آرد گندم، آرد برنج و نشاسته ذرت (از ۱% تا ۳۰% ناخالصی نسبت به وزن کل ترکیب) مخلوط شدند. در مجموع، ۷۵ نمونه تهیه و برای هر نمونه، تصاویر RGB و طیف‌های NIR ثبت شد.

عضو هیئت علمی دانشکدگان علوم در توضیح فرآیند جمع‌آوری داده و مدل‌سازی در این پژوهش، گفت: «تصاویر RGB با دوربین Canon EOS 60D در یک محفظه نورپردازی کنترل‌شده ثبت شد. سپس با استفاده از تکنیک‌های پیش‌پردازشی مانند تصحیح پراکندگی (MSC) و هموارسازی (Smoothing) پردازش شدند. داده‌های طیف‌سنجی NIR با استفاده از دستگاه Perkin Elmer و با دامنه‌ ۴۰۰۰ تا ۱۲۰۰۰ سانتی‌متر معکوس ثبت شد. این داده‌ها نیز پس از اعمال تبدیل مشتق دوم، اصلاح خط پایه (Detrending) و نرمال‌سازی (SNV) برای مدل‌سازی آماده شدند.»

وی در ادامه گفت: «در روش تحلیل تصاویر RGB با روش رگرسیون حداقل مربعات جزئی (PLSR) مدلی توسعه یافت که میزان ناخالصی را براساس تغییرات رنگی نمونه‌ها پیش‌بینی کند. نتایج نشان داد که مدل‌های PLSR دارای ضریب تعیین (R²) بالای ۰.۹۹ و خطای پایین (RMSEC) بین ۰.۲۷۶ تا ۰.۹۶۵ هستند که بیانگر دقت بالای مدل در پیش‌بینی درصد ناخالصی بود. در تحلیل طیف‌های NIR با شبکه عصبی کانولوشنی نیز معماری CNN شامل لایه‌های کانولوشن یک‌بُعدی، لایه‌های چگال و لایه خروجی بود. داده‌های طیفی علاوه بر مدل‌سازی اولیه، با افزودن نویز مصنوعی گسترش یافتند تا مقاومت مدل در برابر تغییرات واقعی افزایش یابد. نتایج نشان داد که مدل CNN قادر به پیش‌بینی دقیق غلظت ناخالصی‌ها با خطای میانگین مربعات مطلوب و ضریب تعیین بالای ۰.۸۵ در داده‌های تست و آموزش بود.»

قاسمی درباره نتایج این پژوهش گفت: «مدل‌های توسعه‌یافته قادر به تشخیص و تفکیک ۹ سطح مختلف ناخالصی با حساسیت و ویژگی بسیار بالا بودند.»

استاد تمام دانشگاه تهران درباره مزایای این روش شناسایی ناخالصی، اظهار داشت: «روش پیشنهادی، یک راهکار سریع، غیرمخرب و قابل اعتماد برای پایش کیفیت زردچوبه در سطح صنعتی ارائه می‌دهد. در این روش، ترکیب شیمی‌سنجی (Chemometrics) و یادگیری عمیق باعث افزایش دقت و کاهش نیاز به فرآیندهای آزمایشگاهی پرهزینه و زمان‌بر شده است.»

قاسمی با بیان اینکه مطالعه حاضر نشان داد که ادغام روش‌های تصویربرداری نوری و مدل‌های یادگیری ماشین عمیق، امکان توسعه سامانه‌های کارآمد برای شناسایی تقلب غذایی را فراهم می‌کند، گفت: «این رویکرد نه‌تنها دقت و سرعت تحلیل را افزایش می‌دهد، بلکه می‌تواند در آینده به عنوان یک راهکار استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.»

نتایج این پژوهش به تازگی با عنوان Integrating CNNs and chemometrics for analyzing NIR spectra and RGB images in turmeric adulterant detection در نشریه Journal of Food Composition and Analysis منتشر شده است.