Разработка алгоритма оценки антиоксидантных свойств экстрактов вишни методами искусственного интеллекта
Пищевая индустрия — одна из основных сфер, нуждающаяся в модернизации производства. От качества пищевых продуктов зависит качество жизни населения страны, а также пищевая безопасность.
Обязанности, которые традиционно выполнял естественный (человеческий) интеллект, теперь выполняются с помощью современных компьютерных систем, которые называются искусственным интеллектом (ИИ). Эти высокотехнологичные вычислительные системы моделируют человеческий мозг и проводят анализ для решения задач. Другими словами, сначала рассматривается, как человек решает задачу, а затем его логика переводится на компьютерный язык с помощью кодов. Существует ряд направлений, которые классифицируются в зависимости от их применения, например распознавание образов и голоса, цифровая обработка сигналов, машинное обучение и обработка естественного языка. Часть функций человеческого мозга может быть имитирована или даже улучшена с помощью ИИ.
ИИ — это обширная область компьютерных технологий, которая имитирует процессы человеческого интеллекта с помощью машин и компьютеров и разрабатывает системы для выполнения задач, которые обычно требуют человеческого интеллекта. Фактически он позволяет использовать данные в реальном времени для повышения эффективности систем мониторинга, минимизации ошибок, повышения устойчивости производственного процесса и экономии затрат.
Компьютерное зрение — это технология, позволяющая извлекать, обрабатывать и интерпретировать визуальные данные из окружающей среды с высокой скоростью, точностью и без физического вмешательства. С применением современных методов обработки изображений, интеллектуальных алгоритмов и систем ИИ компьютерное зрение способно частично имитировать человеческое восприятие, выявляя даже трудноразличимые дефекты. Основные достоинства таких решений — высокая точность, быстрая обработка данных и стабильность результатов.
Системы автоматического контроля качества на базе компьютерного зрения могут использоваться на различных стадиях производственного цикла. Наиболее типичными примерами являются контроль исходного сырья, сортировка продукции, контроль технологических процессов и оценка качества упаковки.
Благодаря своим функциональным возможностям компьютерное зрение оказывает заметное влияние на управление цепочками поставок в пищевой индустрии, способствуя стабильному качеству выпускаемой продукции и снижению уровня отходов за счет своевременного обнаружения брака. Это в свою очередь позволяет сократить количество рекламаций, предотвратить возможные отзывы продукции и снизить затраты на обслуживание, минимизируя риск перебоев в производстве.
В таблице 1 представлены основные направления модернизации и использования ИИ в пищевой промышленности.
Использование методов компьютерного зрения на различных этапах производства для контроля за качеством продукции находит всё более широкое применение. За последние несколько лет технологии машинного зрения шагнули далеко вперед. Это обусловлено двумя факторами: во-первых, были разработаны новые алгоритмы обработки изображений, в том числе методы обработки изображений с применением сверточных нейронных сетей, что позволило сократить время обработки и нагрузку на компьютерную систему, занимающуюся обработкой; во-вторых, во много раз увеличилось качество оборудования для съемки видео, в том числе увеличились размеры матриц видеокамер в потребительски доступном сегменте рынка, а также были усовершенствованы и приобрели большее распространение камеры, захватывающие видео в диапазоне инфракрасного света.
Преимущества использования методов компьютерного зрения заключаются в возможности комплексного выполнения нескольких задач одной точкой установки камеры. Подразумевается, что одна и та же камера может как отслеживать качество продукции с точки зрения органолептических показателей, так и следить за отсутствием брака или возникновением нестандартных ситуаций. Комплексность подхода обусловлена тем, что большая часть логики работы камеры, в том числе комплекс обработки изображения, система принятия решений, расположена вне датчика (камеры), что позволяет упаковать программный комплекс в единое производственное решение, чем сократить экономические затраты.
Анализ компьютерным зрением полученных данных опирается на сложные алгоритмы и техники, включающие несколько ключевых этапов:
• обработку изображений (улучшение качества, изменение масштаба, цветокоррекцию);
• извлечение признаков (выделение характерных особенностей, таких как края и текстуры, часто с использованием фильтров Собеля, Хаара или конволюционных нейронных сетей — CNN);
• распознавание образов (классификацию изображений или объектов);
• сегментацию изображений (разделение изображения на отдельные области);
• 3D-реконструкцию (восстановление трехмерной модели из нескольких двумерных изображений).
Ниже приведены некоторые из существующих разработок систем мониторинга в пищевой промышленности: система анализа изображений и ИИ для выявления ошибок в соотношениях смесей, которые могут возникнуть во время непрерывных процессов нагревания массово производимых морепродуктов сурими; система компьютерного зрения с использованием изображений смартфона для классификации нежности говяжьего и свиного стейка, прогнозирования усилия сдвига, содержания жира для проведения оценки качества мяса потребителями; система прогнозирования физико-химических изменений черешни во время хранения; алгоритм использования изображений и индексов RBG для точного прогнозирования содержания антоцианов в лепестках розы R. chinensis; система прогнозирования и определения веса, длины, ширины и химических свойств (в том числе содержания антоцианов) в плодах винограда сорта Flame Seedless на основе колориметрических данных; система отслеживания для обнаружения загрязнений свиных туш; прогнозирование роста растений с использованием RGB-D-характеристик; алгоритм классификации повреждений клубники от заморозков; система прослеживаемости и контроля качества в мясной промышленности с помощью отслеживания физических характеристик мяса.
Анализ литературы показал, что использование методов ИИ, в частности компьютерного зрения, способствует совершенствованию технологического процесса, упрощению и повышению достоверности оценки качества продукции и полуфабрикатов. Актуальны разработки алгоритмов прогнозирования качества экстрактов с помощью метода ИИ — компьютерного зрения, поскольку проведение лабораторных исследований в данной области дорогостоящее и трудозатратное.
Цели работы — разработка и тестирование алгоритма прогнозирования содержания полифенолов в вишневых экстрактах по их колориметрическим характеристикам.
Материалы и методы исследования
Объект исследования — экстракты вишни, полученные по технологии, представленной на рисунке 1.
Важным показателем в экстрактах является содержание биоактивных веществ — полифенолов. Цвет экстрактов изменяется в зависимости от содержания полифенолов.
Для получения изображений опытных образцов вишневых экстрактов были подготовлены разведения от 2 до 0,25%.
Цветовые характеристики экстрактов определяли с помощью колориметра NR60CP (Китай). Перед измерениями проводили калибровку прибора с использованием белой стандартной пластинки (L* = 96,77, a* = 0,11, b* = -0,71), которую применяли в качестве фона при измерении цветовых характеристик растворов экстрактов: светлоты (L*), красноты (а*) и желтизны (b*).
Количественное определение суммарного содержания полифенолов в растворах экстрактов различной концентрации проводили методом Фолина — Чокальтеу. 0,1 мл каждого образца экстракта смешивали с 0,1 мл реагента Фолина — Чокальтеу, 1 мл 20%-ного (мас/об) карбоната натрия и 8,8 мл дистиллированной воды, 30 мин. выдерживали в темноте и измеряли поглощение на спектрофотометре при 700 нм. В качестве стандарта использовали галловую кислоту (25–250 мг/л; R°= 0,996), результаты выражали в мг-эквивалентах галловой кислоты.
Как видно из описания, методика определения полифенолов требует дорогостоящих реактивов и оборудования, а также времени. Компьютерное зрение же является неразрушающей технологией для получения и анализа цифрового изображения для получения информации о продукте и считается ценным инструментом для улучшения автоматической оценки качества продуктов питания.
Следующий этап — получение изображений RGB с цифровой камеры (50 МП) в качестве входных данных для классификации объектов и составления базы данных. Для получения изображения растворы экстрактов помещали в прозрачные стеклянные кюветы.
Для разработки программного обеспечения по обработке изображений использовали язык программирования Python, библиотеку OpenCV и TensorFlow. TensorFlow извлекал признаки из фотографий и добавлял их в базу данных.
Результаты и обсуждение
Исходные данные для написания программы и составления базы данных приведены в таблице 2.
Результаты исследований показали, что с увеличением содержания биоактивных веществ — полифенолов — цвет экстрактов изменяется, становится темнее, что подтверждают и результаты оценки цветовых характеристик колориметром: с повышением концентрации повышается краснота и снижается светлота образцов.
База данных используется путем извлечения признаков с помощью библиотеки TensorFlow из готовых изображений образцов, размещенных в папке. Каждый файл с образцом подписывается как содержание в нем полифенолов (рис. 2).
Далее база данных сохраняется в файл database_features.npy (ее можно использовать для работы с основной программой). Программа инициализирует камеру c помощью библиотеки OpenCV, сохраняет изображение с исследуемым образцом во временный файл и извлекает признаки с помощью библиотеки TensorFlow. Потом сравнивает с данными из базы, состоящей из изображений образцов (рис. 2), подбирает наиболее подходящее и выводит на экран соответствующее значение содержания полифенолов в мг. экв. галловой кислоты.
Алгоритм оценки содержания полифенолов в экстрактах приведен на рисунке 3.
Описанная модель системы мониторинга качества экстрактов с помощью компьютерного зрения может облегчить в промышленных масштабах определение содержания биоактивных веществ, требующих значительных затрат времени и ресурсов.
Выводы
В результате выполнения работы получены вишневые экстракты разной концентрации, установлены их антиоксидантные свойства, цветовые характеристики и сделаны изображения камерой. Из полученных данных созданы база данных и программа, сопоставляющая изображения исследуемых экстрактов с изображениями из базы данных с выводом соответствующего содержания полифенолов.
Предложен алгоритм оценки качественных характеристик экстрактов с помощью метода ИИ — компьютерного зрения.
Таким образом, результатом данной работы стала программа, позволяющая определить содержание полифенолов в экстракте по его цветовым характеристикам. Предлагаемая разработка может существенно упростить проведение лабораторного анализа по определению содержания полифенолов в различных источниках.
Об авторах
Оксана Владимировна Зинина1, доктор технических наук, доцент кафедры пищевых и биотехнологий
zininaov@susu.ru https://orcid.org/0000-0003-4817-1645
Елена Александровна Вишнякова1, магистрант, лаборант-исследователь управления научной
и инновационной деятельностью
l_vishny@mail.ru https://orcid.org/0000-0002-8557-9239
Максим Борисович Ребезов2, доктор сельскохозяйственных наук, профессор; главный научный сотрудник
rebezov @ya.ru https://orcid.org/0000-0003-0857-5143
1 Южно-Уральский государственный университет, пр-т им. Ленина, 76, Челябинск, 454080, Россия
2 Федеральный научный центр пищевых систем им. В.М. Горбатова Российской академии наук, ул. им. Талалихина, 26, Москва, 109316, Россия
УДК 664.8
DOI: 10.32634/0869-8155-2025-397-08-136-143
