در یک پژوهش علمی جدید، بررسی شده است که آیا می توان تنها با تحلیل رنگ تصاویر دیجیتال، تقلب در ترکیب گوشت چرخ کرده را شناسایی کرد؛ موضوعی که با سلامت عمومی و حقوق مصرف کننده در ارتباط است.

به گزارش ایسنا، گوشت یکی از منابع اصلی تأمین پروتیین در رژیم غذایی انسان به شمار می رود و نقش مهمی در حفظ سلامت جسم و ذهن دارد. این ماده غذایی سرشار از پروتیین باکیفیت، اسیدهای آمینه ضروری، آهن، روی و ویتامین هایی مانند B12 و D است. کمبود این مواد مغذی در بلندمدت می تواند زمینه ساز مشکلاتی مانند ضعف عمومی، اختلالات عصبی و برخی بیماری های مزمن شود. بر اساس آمار سازمان جهانی بهداشت، میانگین مصرف گوشت قرمز در ایران حدود 12.5 کیلوگرم در سال برای هر نفر است. این آمار نشان می دهد که گوشت قرمز همچنان جایگاه مهمی در سبد غذایی خانوار ایرانی دارد و هرگونه کاهش کیفیت یا تقلب در آن می تواند بر سلامت بخش بزرگی از جامعه اثر بگذارد.

در میان فرآورده های گوشتی، گوشت چرخ کرده یکی از پرمصرف ترین محصولات است که در تهیه غذاهایی مانند کباب، همبرگر و انواع خوراک ها کاربرد دارد. این محصول معمولا از ترکیب حدود 55 تا 60 درصد گوشت گوسفند و 40 تا 45 درصد گوشت گوساله تهیه می شود و به دلیل بافت یکنواخت و خمیری شکل، تشخیص نوع و کیفیت آن با چشم غیرمسلح دشوار است. همین ویژگی، زمینه را برای برخی تخلفات فراهم کرده است. گزارش ها نشان می دهند در بخشی از نمونه های بررسی شده در بازار، اصالت گوشت تأیید نشده است. یکی از رایج ترین تقلب ها، افزودن سنگدان مرغ به ترکیب گوشت قرمز است؛ اقدامی که می تواند کیفیت و ارزش تغذیه ای محصول را کاهش دهد و اعتماد مصرف کننده را خدشه دار کند.

در همین خصوص، مبین رضازاده از گروه مهندسی مکانیک بیوسیستم دانشکده کشاورزی دانشگاه شهرکرد به همراه دو همکار دانشگاهی و با همکاری دانشگاه علوم کشاورزی و منابع طبیعی ساری، پژوهشی را برای طراحی و ارزیابی یک سامانه هوشمند به منظور شناسایی تقلب در گوشت چرخ کرده انجام دادند. آن ها در این مطالعه، به توسعه روشی مبتنی بر بینایی ماشین برای تشخیص افزودن سنگدان مرغ به ترکیب گوشت گوسفند و گوساله پرداختند و تلاش کردند راهکاری ساده تر و در دسترس تر نسبت به روش های آزمایشگاهی پیچیده ارائه دهند.

در این پژوهش، نمونه های مختلفی از گوشت چرخ کرده با ترکیب مرسوم 55 درصد گوسفند و 45 درصد گوساله تهیه شد و به آن ها درصدهای متفاوتی از سنگدان مرغ، از صفر تا 100 درصد، افزوده شد. سپس از این نمونه ها با استفاده از تلفن همراه و در شرایط نوری معمول آزمایشگاه تصویربرداری شد؛ هم به صورت مستقیم از سطح گوشت و هم از روی بسته بندی سلفونی. پس از ثبت تصاویر، ویژگی های رنگی آن ها شامل مقادیر قرمز، سبز و آبی استخراج شد. این داده ها در نرم افزار تخصصی تحلیل و با استفاده از روش های یادگیری ماشین مدل سازی شدند تا امکان پیش بینی میزان تقلب فراهم شود.

نتایج نشان دادند که مدل مبتنی بر شبکه عصبی مصنوعی چندلایه عملکرد بسیار دقیقی در تخمین درصد تقلب دارد. حتی در شرایطی که نمونه ها داخل پوشش سلفونی بودند و انعکاس نور وجود داشت، دقت مدل همچنان بالا باقی ماند، هرچند اندکی کاهش یافت. این موضوع نشان می دهد که سامانه طراحی شده می تواند در شرایط نزدیک به محیط های واقعی نیز کاربرد داشته باشد.

همچنین مدل طبقه بندی مبتنی بر شبکه عصبی توانست نمونه ها را در بازه های مختلف درصد تقلب با دقت قابل توجهی دسته بندی کند. بر اساس نتایج، روش پیشنهادی نه تنها قادر به تشخیص وجود تقلب است، بلکه می تواند میزان آن را نیز با دقت بالا برآورد کند.

اهمیت این یافته ها که در فصلنامه مهندسی بیوسیستم ایران وابسته به دانشگاه تهران منتشر شده اند، در آن است که روش های رایج آزمایشگاهی مانند واکنش زنجیره ای پلیمراز یا طیف سنجی، اگرچه دقیق اند، اما هزینه بر، زمان بر و نیازمند تجهیزات پیشرفته هستند و استفاده از آن ها خارج از آزمایشگاه دشوار است. در مقابل، سامانه مبتنی بر تحلیل تصاویر رنگی می تواند با یک دوربین ساده و پردازش نرم افزاری، در مدت کوتاه نتیجه ارائه دهد. این ویژگی، امکان استفاده از آن را در محیط های صنعتی، مراکز توزیع و حتی در مراحل مختلف زنجیره تأمین فراهم می کند.

به گفته پژوهشگران، این روش غیرمخرب است؛ یعنی برای بررسی نمونه نیازی به تخریب یا انجام آزمایش های شیمیایی پیچیده ندارد. چنین قابلیتی می تواند پایه ای برای توسعه سامانه های خودکار کنترل کیفیت در صنعت غذا باشد و به افزایش شفافیت، حفظ حقوق مصرف کنندگان و ارتقای استانداردهای کیفی محصولات گوشتی کمک کند.