به گزارش خبرگزاری صدا و سیما ، مبین رضازاده از گروه مهندسی مکانیک بیوسیستم دانشکده کشاورزی دانشگاه شهرکرد به همراه دو همکار دانشگاهی و با همکاری دانشگاه علوم کشاورزی و منابع طبیعی ساری، پژوهشی را برای طراحی و ارزیابی یک سامانه هوشمند به منظور شناسایی تقلب در گوشت چرخکرده انجام دادند.
آنها در این مطالعه، به توسعه روشی مبتنی بر بینایی ماشین برای تشخیص افزودن سنگدان مرغ به ترکیب گوشت گوسفند و گوساله پرداختند و تلاش کردند راهکاری سادهتر و در دسترستر نسبت به روشهای آزمایشگاهی پیچیده ارائه دهند.
در این پژوهش، نمونههای مختلفی از گوشت چرخکرده با ترکیب مرسوم ۵۵ درصد گوسفند و ۴۵ درصد گوساله تهیه شد و به آنها درصدهای متفاوتی از سنگدان مرغ، از صفر تا ۱۰۰ درصد، افزوده شد.
سپس از این نمونهها با استفاده از تلفن همراه و در شرایط نوری معمول آزمایشگاه تصویربرداری شد؛ هم به صورت مستقیم از سطح گوشت و هم از روی بستهبندی سلفونی. پس از ثبت تصاویر، ویژگیهای رنگی آنها شامل مقادیر قرمز، سبز و آبی استخراج شد.
این دادهها در نرمافزار تخصصی تحلیل و با استفاده از روشهای یادگیری ماشین مدلسازی شدند تا امکان پیشبینی میزان تقلب فراهم شود.
نتایج نشان دادند که مدل مبتنی بر شبکه عصبی مصنوعی چندلایه عملکرد بسیار دقیقی در تخمین درصد تقلب دارد. حتی در شرایطی که نمونهها داخل پوشش سلفونی بودند و انعکاس نور وجود داشت، دقت مدل همچنان بالا باقی ماند، هرچند اندکی کاهش یافت. این موضوع نشان میدهد که سامانه طراحیشده میتواند در شرایط نزدیک به محیطهای واقعی نیز کاربرد داشته باشد.
همچنین مدل طبقهبندی مبتنی بر شبکه عصبی توانست نمونهها را در بازههای مختلف درصد تقلب با دقت قابل توجهی دستهبندی کند. بر اساس نتایج، روش پیشنهادی نهتنها قادر به تشخیص وجود تقلب است، بلکه میتواند میزان آن را نیز با دقت بالا برآورد کند.
اهمیت این یافتهها که در «فصلنامه مهندسی بیوسیستم ایران» وابسته به دانشگاه تهران منتشر شدهاند، در آن است که روشهای رایج آزمایشگاهی مانند واکنش زنجیرهای پلیمراز یا طیفسنجی، اگرچه دقیقاند، اما هزینهبر، زمانبر و نیازمند تجهیزات پیشرفته هستند و استفاده از آنها خارج از آزمایشگاه دشوار است. در مقابل، سامانه مبتنی بر تحلیل تصاویر رنگی میتواند با یک دوربین ساده و پردازش نرمافزاری، در مدت کوتاه نتیجه ارائه دهد. این ویژگی، امکان استفاده از آن را در محیطهای صنعتی، مراکز توزیع و حتی در مراحل مختلف زنجیره تأمین فراهم میکند.
به گفته پژوهشگران، این روش غیرمخرب است؛ یعنی برای بررسی نمونه نیازی به تخریب یا انجام آزمایشهای شیمیایی پیچیده ندارد. چنین قابلیتی میتواند پایهای برای توسعه سامانههای خودکار کنترل کیفیت در صنعت غذا باشد و به افزایش شفافیت، حفظ حقوق مصرفکنندگان و ارتقای استانداردهای کیفی محصولات گوشتی کمک کند.
