محققان مرکز ملی ذخایر ژنتیکی و زیستی ایران موفق به طراحی و ساخت اپلیکیشنی مبتنی بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی شده‌اند که قادر به تشخیص تقلبات در بذرهای گیاهان دارویی است.

به گزارش مرکز ملی ذخایر ژنتیکی و زیستی ایران، محققان مرکز ملی ذخایر ژنتیکی و زیستی ایران، وابسته به جهاددانشگاهی، موفق به طراحی و ساخت اپلیکیشنی مبتنی بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN) شده‌اند که قادر به شناسایی و تشخیص تقلبات در بذرهای گیاهان دارویی است. این سامانه با دقت بالا، ایمنی زنجیره تأمین این محصولات را تضمین کرده و از مخلوط شدن بذرهای سمی با بذرهای دارویی جلوگیری می‌کند.

جزئیات دستاورد پژوهشی

این پژوهش که نتایج آن در ژورنال معتبر بین‌المللی Food Science & Nutrition منتشر شده است، با هدف توسعه سیستمی برای شناسایی خودکار و دقیق بذرهای گیاهان دارویی و مقابله با تقلبات انجام شده است. در این راستا، محققان شش معماری نوین شبکه‌های عصبی کانولوشنی را مورد ارزیابی قرار دادند و مدل DenseNet۱۲۱ به دلیل دقت، بازیابی اطلاعات و پایداری همگرایی بالا، به عنوان کارآمدترین مدل معرفی شد.

کاربرد و مزایای اپلیکیشن

اپلیکیشن طراحی شده، علاوه بر شناسایی دقیق بذرها، مانع ورود آلودگی‌های خطرناک به زنجیره تأمین دارویی می‌شود. مخلوط شدن بذرهای سمی مانند شوکران با بذرهای گیاهان دارویی، که تهدیدی جدی برای سلامت مصرف‌کنندگان محسوب می‌شود، با استفاده از این سامانه قابل پیشگیری است. 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.

پلتفرم‌های کاربردی

این دستاورد پژوهشی تنها یک ابزار تحقیقاتی نیست، بلکه به یک اپلیکیشن کاربردی و مقیاس‌پذیر تبدیل شده است که پتانسیل استفاده در مزارع، آزمایشگاه‌های کنترل کیفیت و مبادی گمرکی را دارد.

انتشار بین‌المللی

نتایج 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) با ضریب تأثیر ۳.۸ و در دسته‌بندی چارک اول (Q۱) منتشر شده و به‌صورت دسترسی آزاد در دسترس عموم قرار گرفته است.