معرفی روشی نوین برای شناسایی ناخالصی های زردچوبه
به گزارش ما دیجیتال، محققان دانشکدگان علوم دانشگاه تهران با به کارگیری تلفیقی از روش های پیشرفته سنسورهای نوری و مدلهای یادگیری عمیق، موفق به شناسایی ناخالصی های زردچوبه شدند.
به گزارش ما دیجیتال به نقل از دانشگاه تهران، در پژوهشی که اخیرا به سرپرستی دکتر جهانبخش قاسمی، استاد دانشکده شیمی دانشکدگان علوم دانشگاه تهران با همکاری علی صادقی و شکوفه خانی، دانشجویان این دانشکده و همینطور محقق هایی از دانشگاه علوم پزشکی تهران انجام شده، راهکاری معرفی شده است که می تواند بعنوان یک راهکار استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.
دکتر قاسمی، سرپرست این تیم تحقیقاتی، در رابطه با اهمیت این پژوهش اظهار داشت: «زردچوبه به علت کاربردهای فراوان در آشپزی، داروسازی و طب سنتی، یکی از محصولات پرمصرف و پرارزش به حساب می آید. با این وجود در خیلی از موارد، به انگیزه سودجویی، موادی مانند نشاسته ذرت، آرد گندم و آرد برنج به آن افزوده می شود. تشخیص این ناخالصی ها با روش های سنتی، زمان بر، پرهزینه و در مقیاس صنعتی، تقریبا ناممکن است. ازاین رو، این پژوهش با هدف توسعه یک روش سریع، دقیق و غیرمخرب برای شناسایی و تعیین میزان ناخالصی در زردچوبه انجام شده است.»
قاسمی اضافه کرد: «در این مطالعه، تلفیقی از روش های پیشرفته سنسورهای نوری، شامل طیف سنجی مادون قرمز نزدیک (NIR)، تحلیل تصاویر RGB و مدلهای یادگیری عمیق مانند شبکه های عصبی کانولوشنی (CNN) به کار گرفته شد. برای این منظور، سه نمونه زردچوبه خالص از بازارهای محلی تهیه و در لابراتوار 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 طیف های NIR به ثبت رسید.
عضو هیأت علمی دانشکدگان علوم در توضیح فرایند جمع آوری داده و مدل سازی در این پژوهش، اظهار داشت: «تصاویر RGB با دوربین Canon EOS 60D در یک محفظه نورپردازی کنترل شده به ثبت رسید. سپس با استفاده از روشهای فنی پیش پردازشی مانند تصحیح پراکندگی (MSC) و هموارسازی (Smoothing) پردازش شدند. داده های طیف سنجی NIR با استفاده از دستگاه Perkin Elmer و با دامنه ۴۰۰۰ تا ۱۲۰۰۰ سانتی متر معکوس به ثبت رسید. این داده ها هم بعد از اعمال تبدیل مشتق دوم، اصلاح خط پایه (Detrending) و عادی سازی (SNV) برای مدل سازی آماده شدند.»
وی در ادامه اظهار داشت: «در روش تحلیل تصاویر RGB با روش رگرسیون حداقل مربعات جزئی (PLSR) مدلی توسعه یافت که میزان ناخالصی را برپایه تغییرات رنگی نمونه ها پیش بینی نماید. 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 مبین دقت بالای مدل در پیشبینی درصد ناخالصی بود. در تحلیل طیف های NIR با شبکه عصبی کانولوشنی هم معماری CNN شامل لایه های کانولوشن یک بُعدی، لایه های چگال و لایه خروجی بود. داده های طیفی علاوه بر مدل سازی اولیه، با افزودن نویز مصنوعی گسترش یافتند تا مقاومت مدل در مقابل تغییرات واقعی افزایش یابد. نتایج نشان داد که مدل CNN قادر به پیشبینی دقیق غلظت ناخالصی ها با خطای میانگین مربعات مطلوب و ضریب تعیین بالای ۰.۸۵ در داده های تست و آموزش بود.»
قاسمی در رابطه با نتایج این پژوهش اظهار داشت: «مدل های توسعه یافته قادر به تشخیص و تفکیک ۹ سطح مختلف ناخالصی با حساسیت و خصوصیت بسیار بالا بودند.»
استاد تمام دانشگاه تهران در رابطه با مزایای این شیوه شناسایی ناخالصی، عنوان کرد: «روش پیشنهادی، یک راهکار سریع، غیرمخرب و قابل اعتماد برای پایش کیفیت زردچوبه در سطح صنعتی عرضه می دهد. در این شیوه، ترکیب شیمی سنجی (Chemometrics) و یادگیری عمیق سبب افزایش دقت و کاهش احتیاج به فرآیندهای آزمایشگاهی پرهزینه و زمان بر شده است.»
قاسمی با اشاره به اینکه مطالعه حاضر نشان داد که ادغام روش های تصویربرداری نوری و مدلهای یادگیری ماشین عمیق، امکان توسعه سامانه های کارآمد برای شناسایی تقلب غذایی را فراهم می آورد، اظهار داشت: «این رویکرد نه تنها دقت و سرعت تحلیل را زیاد می کند، بلکه می تواند در آینده بعنوان یک راهکار استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.»
نتایج این پژوهش اخیرا 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 انتشار یافته است.
منبع: madigital.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب