КОМПЬЮТЕРНОЕ ЗРЕНИЕ В ПИЩЕВОЙ ПРОМЫШЛЕННОСТИ

COMPUTER VISION IN THE FOOD INDUSTRY

Daniil Generalov

Student, Department Department of Automated Control Systems of Biotechnological Processes, Russian Biotechnological University,

Russia, Moscow

Nikolay Gdansky

Scientific supervisor, Doctor of Technical Sciences, Professor, Russian Biotechnological University,

Russia, Moscow

АННОТАЦИЯ

Компьютерное зрение много лет применяется в целях автоматизации многих видов человеческой деятельности. Одной из главных преимуществ данной технологии является способность получать информацию из невидимых для человеческого глаза областей. Однако для того, чтобы внедрять технологию на промышленном уровне необходимо объединить компьютерное зрение с передовыми инструментами искусственного интеллекта, такими как машинное или глубокое обучение. Целью данной работы является обзор последних достижений в области систем компьютерного зрения, применяемых к продуктам питания.

ABSTRACT

Computer vision has been used for many years to automate many types of human activities. One of the main advantages of this technology is the ability to obtain information from areas invisible to the human eye. However, in order to implement the technology at an industrial level, it is necessary to combine computer vision with advanced artificial intelligence tools such as machine learning or deep learning. The purpose of this work is to review recent advances in computer vision systems applied to food products.

Ключевые слова: компьютерное зрение, цифровые изображения, машинное обучение, глубокое обучение, искусственный интеллект, пищевая промышленность.

Keywords: computer vision, digital images, machine learning, deep learning, artificial intelligence, food industry.

В последнее время растет интерес потребителей к качеству и безопасности пищевых продуктов, прежде всего, за счет международной торговли продуктами питания, которая требует быстрых и неразрушающих методов контроля. Кроме того, прогнозирование параметров качества, выявление фальсификаций разновидностей и происхождения также представляют интерес для оценки агропродовольственных продуктов, которые в настоящее время основаны на автономных и деструктивных методах.

Системы компьютерного зрения (CV) распознают и анализируют изображения, полученные с помощью фото- или видеокамер, что в сочетании с искусственным интеллектом (ИИ) и машинным обучением позволяет машинам различать и понимать реальный мир [1]. ИИ – это технология, которая сочетает наблюдение, интерпретацию, объяснение и решение проблем одновременно. Это означает, что машины, получая внешние данные и соответствующим образом адаптируя свою деятельность, становятся «умными».

Процесс компьютерного зрения включает в себя классификацию и сегментацию изображений, обнаружение объектов, распознавание лиц (предметов) или изучение сходства, оптическое распознавание символов, отслеживание движения, реконструкцию изображения и создание подписей к нему. Приложения компьютерного зрения – это неразрушающие методы определения параметров качества, механических свойств, состава, внешнего вида, выявления дефектов и классификации пищевых продуктов, а также их трехмерная (3D) реконструкция [2].

Для компьютерного зрения широко используют цветные камеры, поскольку они захватывают изображения, аналогичные тем, которые воспринимаются человеческим глазом. Цвет является важной качественной характеристикой для принятия решений потребителем – он связан с эстетическими или функциональными атрибутами (а также стадией обработки) продукта. В природе воспринимаемый цвет в первую очередь определяется различными типами пигментов, таких как хлорофиллы, каротины, ксантофиллы и антоцианы, которые несут информацию о типе и состоянии растений и их плодов.

Например, цвет используется для оценки спелости или некоторых внутренних показателей качества фруктов. Тем не менее, поскольку это субъективное человеческое восприятие, необходимы инструменты для измерения, количественной оценки и сравнения цветов – своеобразные цветовые пространства в виде математических моделей, представляющих цвета. Часто в цифровых изображениях выбирается цветовое пространство RGB, которое используется в камерах и компьютерах. Однако могут использоваться и другие цветовые пространства, такие как CIELAB (оттенок), насыщенность и значение (HSV), поскольку они также пытаются передать человеческое восприятие [3].

Изображения необходимо обработать для получения полезной информации. Эта задача требует разработки эффективных, надежных, повторяемых, быстрых и точных алгоритмов обработки. Анализ изображений дает информацию о цвете, текстуре или внешних свойствах, а также о дефектах объектов.

Важнейшим этапом этого процесса является сегментация, которая состоит из разделения изображений на интересующие области (ROI) и извлечения характеристик для получения желаемой информации. Сегментация может выполняться с использованием различных подходов, некоторые из которых основаны на обнаружении областей путем поиска текстур, границ или цветов, в то время как другие классифицируют отдельные пиксели, пройдя предварительное обучение.

Так, среди основных характеристик, важных при проверке качества фруктов и овощей, наиболее изучены размер и цвет. Для их определения применяют электронные сортировщики, где плоды распределяются по соответствующей категории, определенной программным обеспечением проверки. Однако при этом остаются незаметными внутренние повреждения или специфические органолептические характеристики. Знание состава или внутренних свойств плодов (а также предупреждение внутренних повреждений) увеличивает добавленную стоимость и исключает дефектную продукцию из производственной цепочки, повышая общее качество партии [4].

Среди передовых технологий оптического обнаружения в первую очередь необходимо отметить гиперспектральную визуализацию (HSI), которая стала инструментом неразрушающего анализа внутреннего качества и безопасности агропродовольственной продукции. Технология сочетает в себе преимущества спектроскопии для определения химического состава с преимуществами визуализации для получения пространственной информации, кроме того она является прорывом в пищевой микробиологии, позволяя лабораториям быстро и качественно проводить исследования для обеспечения безопасности пищевой продукции [5]. Еще одним важным преимуществом технологии HSI является ее способность получать информацию из спектральных областей, которые человеческий глаз не может видеть, таких как ультрафиолет, ближний ИК-диапазон и инфракрасное излучение.

Среди нестандартных систем компьютерного зрения можно отметить биоспекл – это неинвазивный метод, который широко используется для оценки биологических систем. Данная техника основана на интерференции когерентных электромагнитных волн после отражения от поверхности, на которой они происходят в динамическом процессе. Если этот процесс происходит в растительной или животной ткани, биохимические реакции будут влиять на наблюдаемые результаты.

Для получения информации с помощью биоспекла используются различные методы обработки изображений (некоторые алгоритмы возвращают числовые результаты, такие как момент инерции и разность абсолютных значений). Биоспкл применяется, в частности, для выявления нарушений охлаждения или замерзания апельсинов. Однако он имеет ряд проблем, таких как отсутствие стандарта в приложениях и потребность в коммерческом оборудовании для специального использования. Также существует проблема проникновения лазера, который нельзя использовать для оценки внутренних частей сельскохозяйственной продукции.

Развитие алгоритмов глубокого обучения привело к появлению глубоких сверточных нейронных сетей (DCNN), что является новейшим достижением в приложениях компьютерного зрения. До появления моделей глубоких нейронов многослойные модели с более чем двумя скрытыми слоями считались бесполезными (требовалась инициализация параметров и переобучение). Сегодня DCNN – это гибкие алгоритмы, которые успешно используются в задачах проверки обработанных пищевых продуктов.

Как сказано выше, основной целью выявления дефектов является предоставление потребителю высококачественной продукции и обеспечение приемлемых цен на рынке. Наиболее часто встречающимися дефектами являются механические повреждения. Например, вмятины – типичное повреждение, возникающее во время сбора урожая и послеуборочных манипуляций. Их обнаружение в основном осуществляется с помощью ручного контроля, который требует много времени и подвержен ошибкам.

Традиционное компьютерное зрение и ранее использовалось для обнаружения вмятин, однако имело ограниченное применение. Чтобы повысить способность компьютерного зрения выявлять вмятины на плодах можно объединить новые методы визуализации, такие как биоспекл, флуоресцентная визуализация, визуализация структурного отражения освещения, гиперспектральная/мультиспектральная визуализация, рентгеновская визуализация. Система компьютерного зрения также может включать в себя методы глубокого обучения (при этом особое внимание следует уделить снижению стоимости оборудования и миниатюризации).

Отдельно необходимо отметить преимущества внедрения искусственного интеллекта и компьютерного зрения в приготовление блюд в промышленных масштабах:

• снижение человеческого фактора повышает гарантию точного отбора и взвешивания ингредиентов;
• искусственный интеллект помогает пищевым компаниям прогнозировать тенденции, происходящие в отрасли (готовить востребованные блюда);
• помогает поддерживать соответствующий уровень гигиены на пищевых производствах.

Приложения компьютерного зрения в сфере розничной торговли и общественного питания пока еще находятся в зачаточном состоянии, но их потенциал неоспорим. Поставщики решений, готовые изучить эту технологию, сформировать стратегическое партнерство и расширить свои предложения, включив в них решения компьютерного зрения, могут создавать уникальные комбинации, решающие болевые точки розничных продавцов и рестораторов.

Таким образом, новые разработки в области науки о данных и искусственного интеллекта оказывают решающее влияние на компьютерное зрение. Машины могут получать полную информацию о материалах неинвазивным и неразрушающим способом, что способствует снижению материальных и физических затрат на получение и анализ пищевых продуктов.

Список литературы:

1. Горячкин Б.С., Китов М.А. Компьютерное зрение // E-Scio. 2020. №9 (48). URL: https://cyberleninka.ru/article/n/kompyuternoe-zrenie-1 (дата обращения: 08.11.2023)
2. Иванов К.В., Астафьев Н.Д. Преимущества компьютерного зрения. URL: https://elibrary.ru/item.asp?id=49964020 (дата обращения: 08.11.2023)
3. De-la-Torre M.; Zatarain O.; Avila-George H.; Muñoz M.; Oblitas J.; Lozada R.; Mejía J.; Castro W. Multivariate Analysis and Machine Learning for Ripeness Classification of Cape Gooseberry Fruits. Processes. 2019, 7, 928.
4. Печерский Д. К. Использование методов компьютерного зрения для улучшения качества продукции пищевых предприятий / Д. К. Печерский, Н. А. Забенкова. – 2021. – № 6 (348). – С. 27-29. URL: https://moluch.ru/archive/348/78414/ (дата обращения: 08.11.2023)
5. Курбанова М.Н., Самойлов А.В. Перспективные направления в пищевой микробиологии. методы выявления и идентификации микроорганизмов. URL: https://www.elibrary.ru/item.asp?id=47213422 (дата обращения: 08.11.2023)