معرفی روشی نوین برای شناسایی ناخالصی های زردچوبه
بازار پرواز: 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 بازار پرواز به نقل از دانشگاه تهران، در پژوهشی که بتازگی به سرپرستی دکتر جهانبخش قاسمی، استاد دانشکده شیمی دانشکدگان علوم دانشگاه تهران با همکاری علی صادقی و شکوفه خانی، دانشجویان این دانشکده و همین طور پژوهشگرهایی از دانشگاه علوم پزشکی تهران انجام شده، راهکاری معرفی شده است که می تواند به عنوان یک راه حل استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.
دکتر قاسمی، سرپرست این تیم تحقیقاتی، درباره ی اهمیت این پژوهش اظهار داشت: «زردچوبه به سبب کاربردهای فراوان در آشپزی، داروسازی و طب سنتی، یکی از محصولات پرمصرف و باارزش محسوب می شود. با اینحال 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، حدودا ناممکن است. از ین جهت، 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 ثبت گردید.
عضو هیات علمی دانشکدگان علوم در توضیح پروسه جمع آوری داده و مدل سازی در این پژوهش، اظهار داشت: «تصاویر RGB با دوربین Canon EOS 60D در یک محفظه نورپردازی کنترل شده ثبت گردید. سپس با بهره گیری از مهارتهای پیش پردازشی مانند تصحیح پراکندگی (MSC) و هموارسازی (Smoothing) پردازش شدند. داده های طیف سنجی NIR با بهره گیری از دستگاه Perkin Elmer و با دامنه ۴۰۰۰ تا ۱۲۰۰۰ سانتی متر معکوس ثبت گردید. این داده ها نیز بعد از اعمال تبدیل مشتق دوم، اصلاح خط پایه (Detrending) و نرمالسازی (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 بر طبق 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 بیان کننده دقت بالای مدل در پیش بینی درصد ناخالصی بود. در تحلیل طیف های NIR با شبکه عصبی کانولوشنی نیز 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 پیش بینی دقیق غلظت ناخالصی ها با خطای میانگین مربعات مطلوب و ضریب تعیین بالای ۰.۸۵ در داده های تست و آموزش بود.»
قاسمی درباره ی نتایج این پژوهش اظهار داشت: «مدل های توسعه یافته قادر به تشخیص و تفکیک ۹ سطح مختلف ناخالصی با حساسیت و خاصیت بسیار بالا بودند.»
استاد تمام دانشگاه تهران درباره ی مزایای این تکنیک شناسایی ناخالصی، گفت: «روش پیشنهادی، یک راه حل سریع، غیرمخرب و قابل اعتماد برای پایش کیفیت زردچوبه در سطح صنعتی ارائه می دهد. در این تکنیک، ترکیب شیمی سنجی (Chemometrics) و یادگیری عمیق موجب افزایش دقت و کاهش نیاز به فرآیندهای آزمایشگاهی پرهزینه و زمان بر شده است.»
قاسمی با اعلان 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 فقط دقت و سرعت تحلیل را بیشتر می کند، بلکه می تواند در آینده به عنوان یک راه حل استاندارد در صنایع غذایی برای اطمینان از کیفیت و اصالت محصولات مورد استفاده قرار گیرد.»
نتایج این پژوهش بتازگی 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: flybazar.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب