توسعه اپلیکیشن هوشمند تشخیص تقلب در بذرهای گیاهان دارویی با یادگیری عمیق

جزئیات دستاورد پژوهشی و مدل برگزیده

این پژوهش، که با هدف توسعه سیستمی خودکار و دقیق برای شناسایی بذرهای گیاهان دارویی و مقابله با تقلبات صورت گرفته است، نتایج چشمگیری را به همراه داشته. محققان در این تحقیق، شش معماری نوین از شبکه‌های عصبی کانولوشنی را به دقت مورد ارزیابی قرار دادند. در نهایت، مدل DenseNet121 به دلیل ویژگی‌های برجسته‌ای چون دقت بالا، توانایی بازیابی اطلاعات و پایداری همگرایی، به عنوان کارآمدترین مدل برای این کاربرد خاص معرفی شد.

نتایج این تحقیق ارزشمند در ژورنال معتبر بین‌المللی Food Science & Nutrition منتشر شده است که اعتبار علمی این دستاورد را دوچندان می‌کند.

کاربردها و مزایای بی‌شمار اپلیکیشن

اپلیکیشن توسعه‌یافته نه تنها به شناسایی دقیق بذرها کمک می‌کند، بلکه نقش حیاتی در جلوگیری از ورود آلودگی‌های خطرناک به زنجیره تأمین دارویی ایفا می‌کند. یکی از مهم‌ترین خطراتی که سلامت مصرف‌کنندگان را تهدید می‌کند، مخلوط شدن بذرهای سمی نظیر شوکران با بذرهای گیاهان دارویی است. این سامانه با قابلیت تشخیص پیشرفته خود، به طور مؤثر از وقوع چنین تقلباتی پیشگیری می‌کند.

این اپلیکیشن با کاهش خطای انسانی، افزایش شفافیت بازار و تقویت اعتماد مصرف‌کنندگان، نقش مؤثری در ارتقای سلامت و ایمنی در حوزه گیاهان دارویی ایفا خواهد کرد.

مزایای این فناوری شامل موارد زیر است:

• کاهش خطای انسانی: سیستم‌های خودکار خطاهای ناشی از تشخیص چشمی یا انسانی را به حداقل می‌رسانند.
• افزایش شفافیت بازار: با تضمین اصالت محصولات، بازار گیاهان دارویی شفاف‌تر می‌شود.
• تقویت اعتماد مصرف‌کنندگان: اطمینان از سلامت و خلوص محصولات، اعتماد عمومی را افزایش می‌دهد.

پلتفرم‌های کاربردی و انتشار بین‌المللی

این دستاورد پژوهشی فراتر از یک ابزار تحقیقاتی صرف است و به یک اپلیکیشن کاربردی و مقیاس‌پذیر تبدیل شده است که پتانسیل استفاده گسترده‌ای دارد. این پلتفرم می‌تواند در محیط‌های مختلفی از جمله مزارع، آزمایشگاه‌های کنترل کیفیت و مبادی گمرکی به کار گرفته شود و به عنوان یک ابزار نظارتی قوی عمل کند.

نتایج کامل 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 (Wiley) به چاپ رسیده است. این مقاله دارای ضریب تأثیر 3.8 بوده و در دسته‌بندی چارک اول (Q1) قرار دارد. همچنین، این مقاله به صورت دسترسی آزاد (Open Access) در دسترس عموم قرار گرفته است.