توسعه سامانه هوشمند تشخیص تقلب در گوشت چرخ‌کرده با فناوری بینایی ماشین

اهمیت گوشت در سبد غذایی ایرانیان

بر اساس آمارهای سازمان جهانی بهداشت، میانگین مصرف سالانه گوشت قرمز در ایران حدود ۱۲.۵ کیلوگرم برای هر نفر برآورد شده است. این رقم نشان‌دهنده جایگاه محوری گوشت قرمز در سبد غذایی خانوارهای ایرانی است و هرگونه کاهش کیفیت یا بروز تقلب در آن، می‌تواند تأثیرات گسترده‌ای بر سلامت بخش قابل توجهی از جامعه داشته باشد.

گوشت چرخ‌کرده و چالش تقلب

در میان فرآورده‌های گوشتی، گوشت چرخ‌کرده به دلیل کاربرد وسیع در تهیه غذاهایی چون کباب، همبرگر و انواع خوراک‌ها، از پرمصرف‌ترین محصولات است. این محصول معمولاً از ترکیب ۵۵ تا ۶۰ درصد گوشت گوسفند و ۴۰ تا ۴۵ درصد گوشت گوساله تهیه می‌شود. بافت یکنواخت و خمیری‌شکل آن، تشخیص نوع و کیفیت گوشت را با چشم غیرمسلح دشوار می‌سازد و همین ویژگی، بستر را برای برخی تخلفات فراهم کرده است.

گزارش‌های موجود حاکی از آن است که در بخشی از نمونه‌های بازار، اصالت گوشت تأیید نشده است. یکی از رایج‌ترین انواع تقلب، افزودن سنگدان مرغ به ترکیب گوشت قرمز است که نه تنها ارزش تغذیه‌ای محصول را کاهش می‌دهد، بلکه اعتماد مصرف‌کننده را نیز خدشه‌دار می‌کند.

سامانه هوشمند تشخیص تقلب در گوشت

در راستای مقابله با این معضل، مبین رضازاده از گروه مهندسی مکانیک بیوسیستم دانشکده کشاورزی دانشگاه شهرکرد، به همراه همکاران خود و با همکاری دانشگاه علوم کشاورزی و منابع طبیعی ساری، پژوهشی را برای طراحی و ارزیابی یک سامانه هوشمند با هدف شناسایی تقلب در گوشت چرخ‌کرده انجام داده‌اند. این مطالعه بر توسعه روشی مبتنی بر بینایی ماشین برای تشخیص افزودن سنگدان مرغ به گوشت گوسفند و گوساله تمرکز دارد و راهکاری ساده‌تر و در دسترس‌تر نسبت به روش‌های آزمایشگاهی پیچیده ارائه می‌دهد.

روش‌شناسی پژوهش

در این پژوهش، نمونه‌های مختلفی از گوشت چرخ‌کرده با ترکیب استاندارد (۵۵ درصد گوسفند و ۴۵ درصد گوساله) تهیه شد. سپس، درصدهای متفاوتی از سنگدان مرغ، از صفر تا ۱۰۰ درصد، به این نمونه‌ها افزوده شد. تصویربرداری از نمونه‌ها با استفاده از تلفن همراه و در شرایط نوری معمول آزمایشگاه، هم به صورت مستقیم از سطح گوشت و هم از روی بسته‌بندی سلفونی انجام گرفت. پس از ثبت تصاویر، ویژگی‌های رنگی آن‌ها شامل مقادیر قرمز، سبز و آبی استخراج و در نرم‌افزار تخصصی تحلیل شد. در نهایت، با استفاده از روش‌های یادگیری ماشین، مدل‌سازی صورت گرفت تا امکان پیش‌بینی میزان تقلب فراهم شود.

نتایج و دستاوردها

نتایج این پژوهش نشان داد 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 بالا باقی ماند، اگرچه اندکی کاهش یافت. این امر نشان‌دهنده قابلیت کاربرد سامانه طراحی‌شده در شرایط نزدیک به محیط‌های واقعی است.

مدل طبقه‌بندی مبتنی بر شبکه عصبی نیز توانست نمونه‌ها را در بازه‌های مختلف درصد تقلب با دقت قابل توجهی دسته‌بندی کند. بر اساس این یافته‌ها، روش پیشنهادی نه تنها قادر به تشخیص وجود تقلب است، بلکه می‌تواند میزان آن را نیز با دقت بالا برآورد کند.

مزایای روش نوین در مقایسه با روش‌های سنتی

اهمیت این یافته‌ها که در «فصلنامه مهندسی بیوسیستم ایران» منتشر شده‌اند، در مزایای آن نسبت به روش‌های رایج آزمایشگاهی است. روش‌هایی نظیر واکنش زنجیره‌ای پلیمراز یا طیف‌سنجی، اگرچه دقیق هستند، اما هزینه‌بر، زمان‌بر و نیازمند تجهیزات پیشرفته بوده و استفاده از آن‌ها خارج از محیط آزمایشگاه دشوار است. در مقابل، سامانه مبتنی بر تحلیل تصاویر رنگی می‌تواند با یک دوربین ساده و پردازش نرم‌افزاری، در مدت زمان کوتاهی نتایج را ارائه دهد.

این ویژگی، امکان استفاده از آن را در محیط‌های صنعتی، مراکز توزیع و حتی در مراحل مختلف زنجیره تأمین فراهم می‌کند. پژوهشگران تأکید می‌کنند که 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 شایانی کند.