Может ли искусственный интеллект помочь отличить хороший сладкий картофель от плохого?

Ученые использовали гиперспектральную съемку для сортировки продукции.

Большинство покупателей в продуктовых магазинах воспринимают как должное то, что требуется для того, чтобы обычный сладкий картофель выкопали из земли и поместили в корзину. Этот слегка сладкий красный корнеплод может быть разных размеров и вкусовых характеристик, но потребители привыкли к определенному уровню однородности. Чтобы удовлетворить этот рыночный спрос, сладкий картофель подвергается многочисленным трудоемким и длительным проверкам качества, чтобы отсеять нежелательные партии, которые либо слишком твердые, либо недостаточно сладкие, либо по другим причинам считаются маловероятными для продажи. В настоящее время этот процесс методично выполняется людьми в лаборатории, но новое исследование предполагает, что гиперспектральные камеры и искусственный интеллект могут помочь ускорить этот процесс.

В исследовании, опубликованном на этой неделе в журнале Computers and Electronics in Agriculture, исследователи из Университета Иллинойса поставили перед собой задачу выяснить, могут ли данные, собранные гиперспектральной камерой, помочь уточнить некоторые характеристики картофеля, обычно определяемые ручными инспекторами и тестами. Гиперспектральные камеры собирают огромные объемы данных в электромагнитном спектре и часто используются для определения химического состава материалов. В данном случае исследователи хотели выяснить, могут ли они проанализировать данные с изображений картофеля, чтобы точно определить твердость картофеля, содержание растворимых твердых веществ и содержание сухого вещества — три ключевых параметра, которые влияют на общий вкус овоща и его рыночную привлекательность. Обычно этот процесс требует утомительных, а иногда и расточительных испытаний, которые могут включать в себя выдерживание картофеля в духовке при температуре 103 градуса Цельсия в течение 24 часов. 

«Традиционно оценка качества проводится с использованием лабораторных аналитических методов», — заявил в своем сообщении Мохаммед Камруззаман, доцент Колледжа сельскохозяйственных, потребительских и экологических наук Университета Иллинойса. «Для измерения различных параметров в лаборатории требуются разные приборы, и необходимо дождаться результатов».

Исследователи собрали 141 безупречный сладкий картофель и сделали фотографии с разных ракурсов. Гиперспектральная съемка генерирует огромные потоки данных, что может быть одновременно и благом, и проклятием для исследователей, ищущих определенные параметры. Для решения этой проблемы исследователи использовали модель искусственного интеллекта, которая помогла отфильтровать зашумленные данные, разделив их на несколько длин волн. Затем они смогли связать эти длины волн с конкретными желаемыми характеристиками сладкого картофеля, которые они искали. 

«Благодаря гиперспектральной съемке можно одновременно измерять несколько параметров. Можно оценить каждый картофель в партии, а не только несколько образцов», — добавил Камруззаман.

Исследователи утверждают, что фермеры и инспекторы по контролю качества продуктов питания могли бы использовать сочетание гиперспектральной съемки и искусственного интеллекта для точного и экономически эффективного сканирования батата на наличие ключевых характеристик, одновременно сокращая количество пищевых отходов, образующихся в результате традиционных методов тестирования. И хотя это конкретное исследование было посвящено батату, возможно, аналогичные методы можно использовать для поиска нужных характеристик и у множества других овощей и фруктов. Камруззаман говорит, что он и его коллеги в конечном итоге хотят создавать партии батата, которые можно быстро и легко сканировать. Что касается потребителей, исследователи предполагают в будущем разработать приложение, которое покупатели в продуктовых магазинах могли бы использовать для сканирования картофеля и поиска его конкретных характеристик. Такое приложение, теоретически, могло бы уменьшить количество неловких действий покупателей, связанных с ощупыванием продуктов. 

«Мы считаем, что это новаторское применение данного метода для оценки качества сладкого картофеля», — написал аспирант и ведущий автор исследования Тукир Ахмед. «Эта новаторская работа потенциально может проложить путь для ее использования в широком спектре других областей сельскохозяйственных и биологических исследований».

Сельскохозяйственная отрасль все чаще обращается к решениям на основе искусственного интеллекта , чтобы повысить эффективность и предотвратить растущую нехватку рабочей силы в сельском хозяйстве . От автономных машин для осмотра тюльпанов в Голландии до беспилотных тракторов John Deere , фермеры по всему миру надеются, что эти новые инновации в конечном итоге смогут снизить цены на продукты питания и одновременно повысить их собственную прибыльность. Однако как именно это все обернется, еще предстоит увидеть. Кроме того, выгоды от использования решений на основе ИИ в сельском хозяйстве могут проявиться позже в развивающихся странах, где часть сельскохозяйственных работ все еще выполняется вручную.

Mack DeGeurin “Can AI help tell the difference between a good and bad sweet potato?”

Перевод статьи «Can AI help tell the difference between a good and bad sweet potato?» автора Mack DeGeurin, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: Исследователи использовали гиперспектральную камеру для получения изображений 141 картофеля и проверки его твердости и содержания сухого вещества. Llez/Wikimedia