شناسایی تقلب در گیاهان دارویی در چند ثانیه

محققان جهاددانشگاهی اپلیکیشنی مبتنی بر یادگیری عمیق طراحی کردند که با تشخیص دقیق بذرهای گیاهان، زنجیره تأمین را از محصولات تقلبی پاکسازی می‌کند.

به گزارش سیناپرس، پژوهشگران بانک گیاهی مرکز ملی ذخایر ژنتیکی و زیستی ایران وابسته به جهاددانشگاهی با بهره‌گیری از فناوری یادگیری عمیق و شبکه‌های عصبی کانولوشنی، اپلیکیشنی برای شناسایی و اصالت‌سنجی بذرهای گیاهان دارویی طراحی کردند؛ سامانه‌ای که می‌تواند در تشخیص تقلبات و افزایش ایمنی زنجیره تأمین این محصولات نقش مؤثری ایفا کند.

روابط عمومی مرکز ملی ذخایر ژنتیکی و زیستی ایران وابسته به جهاددانشگاهی اعلام کرد محققان بانک گیاهی مرکز ملی ذخایر ژنتیکی و زیستی ایران در پژوهشی که نتایج آن در ژورنال بین‌المللی Food Science & Nutrition منتشر شده است، تازه‌ترین دستاوردهای حوزه شبکه‌های عصبی مصنوعی و کاربرد ابزارهای نوین کشاورزی دقیق را در تشخیص و شناسایی گیاهان دارویی بررسی و معرفی کردند.

این پژوهش با سرپرستی دکتر الیاس آریاکیا عضو هیات علمی مرکز ملی ذخایر ژنتیکی و زیستی ایران و با هدف توسعه سامانه‌ای مبتنی بر یادگیری عمیق برای شناسایی بذرهای گیاهان دارویی انجام شد. در این طرح، با پیوند روش‌های سنتی تشخیص پیچیدگی‌ها و تقلبات در گیاهان دارویی با فناوری‌های نوین هوش مصنوعی، چارچوبی مبتنی بر شبکه‌های عصبی کانولوشنی (CNN) طراحی و پیاده‌سازی شد که قادر است هویت و اصالت بذرهای گونه‌های تجاری مهم دارویی از خانواده چتریان (Apiaceae) را به‌صورت خودکار و با دقت بالا تشخیص دهد.

هدف اصلی این پروژه شناسایی دقیق بذرها، مقابله با تقلبات و جلوگیری از ورود آلودگی‌های خطرناک به زنجیره تأمین دارویی است؛ از جمله مخلوط شدن بذور سمی شوکران با بذرهای گیاهان دارویی که می‌تواند تهدیدی برای سلامت مصرف‌کنندگان باشد.

در این مطالعه، شش معماری نوین شبکه عصبی کانولوشنی بازآرایی و با یکدیگر مقایسه شدند تا توانایی آن‌ها در تشخیص ویژگی‌های ظریف مورفولوژیکی بذرها ارزیابی شود. نتایج نشان داد مدل DenseNet121 از نظر شاخص‌هایی مانند دقت، بازیابی اطلاعات و پایداری همگرایی عملکرد بهتری دارد و به‌عنوان کارآمدترین مدل معرفی شد.

تحلیل عملکرد این مدل‌ها همچنین نشان داد طراحی مناسب معماری شبکه و مسیرهای یادگیری ویژگی‌ها نقش مهمی در جلوگیری از بیش‌برازش (Overfitting) و افزایش توان تعمیم‌پذیری مدل‌ها دارد؛ موضوعی که DenseNet121 را به گزینه‌ای قابل اتکا برای کاربردهای میدانی تبدیل می‌کند.

بر اساس نتایج این پژوهش، دستاورد حاصل تنها یک ابزار پژوهشی نیست، بلکه به توسعه یک اپلیکیشن کاربردی و مقیاس‌پذیر منجر شده است که می‌تواند در مزارع، آزمایشگاه‌های کنترل کیفیت و مبادی گمرکی مورد استفاده قرار گیرد. این سامانه با کاهش خطای انسانی، افزایش شفافیت بازار و تقویت اعتماد مصرف‌کنندگان، به ارتقای سلامت و ایمنی زنجیره تأمین گیاهان دارویی کمک می‌کند.

گفتنی است دستاوردهای این تحقیق با عنوان

“A CNN based deep learning architecture for discriminating botanical adulteration and complexities among commercial Apiaceae medicinal species”

در ژورنال Food Science & Nutrition از مجموعه انتشارات Wiley با ضریب تأثیر ۳.۸ و در چارک اول (Q1) منتشر شده و به‌صورت دسترسی آزاد در اختیار پژوهشگران و فعالان حوزه گیاهان دارویی قرار دارد.