Ученые Сибири создали нейросеть для автоматического контроля качества овощей и фруктов
Ученые Новосибирского государственного технического университета (НГТУ) создали интеллектуальную систему для автоматической оценки качества сельскохозяйственной продукции, – технология, предназначенная для внедрения в системы контроля качества на предприятиях АПК, в логистических центрах и розничных сетях, позволяет по обычным фотографиям определять не только внешние дефекты, но и степень свежести фруктов и овощей. Об этом сообщил ТАСС со ссылкой на пресс-службу вуза.
В рамках создания «умного сортировщика», уточнили в ведомстве, разработчики провели исследование различных подходов – метрического, машинного и глубокого обучения – к распознаванию дефектов, выявив, какой из них оптимален для разных производственных задач. «Мы не просто создали очередной классификатор, а провели детальное сравнение принципиально разных подходов к обучению, – это позволило понять, как каждый метод видит дефекты, почему одна модель лучше справляется с поиском гнилой продукции, а другая – с определением незрелости, – отметили в НГТУ. – Теперь мы можем предложить предприятиям не универсальное, а оптимальное решение именно для их задач: где-то важнее не пропустить ни одного испорченного плода, а где-то — случайно не забраковать качественный товар». По словам руководителя проекта Егора Антонянца, сложность была в том, чтобы научить нейронную сеть различать гниль и незрелость, поскольку на многих фотографиях такие состояния выглядят похоже: и там, и там присутствуют зеленоватые или коричневатые оттенки. «Мы использовали особую архитектуру триплетной сети, учитывающую не просто пары изображений, а сразу несколько примеров – эталонный, положительный и два отрицательных, что позволило создать более гибкие границы между классами и значительно снизить число ошибок», – пояснил он.
Прототип успешно доказал свою эффективность в лабораторных условиях на статичных фотографиях, отметили исследователи. «В планах команды адаптировать нейросети и интеллектуальную систему в целом для работы с видеопотоком с конвейерной ленты, чтобы тестировать его на реальных сельскохозяйственных продуктах в движении, а также расширить базу для обнаружения новых видов дефектов и культур. Пока что обучение и тестирование проводились на четырех конкретных видах продуктов: бананах, апельсинах, клубнике и томатах. В дальнейшем мы хотим привлечь партнеров из агропромышленного сектора для организации совместных испытаний системы на реальных производственных линиях», – прокомментировал Егор Антонянц.
По оценкам авторов, проинформировали в университете, разработка не требует огромного количества изображений и работает с обычными фотографиями, сделанными при разном освещении и под разными углами. Так, протестированные на изображениях из открытых источников нейронные сети стабильно показывали высокую точность (до 89%) даже на продуктах, не встречавшихся им во время обучения, – это позволит быстро адаптировать «сортировщик» под новый вид продукции без длительной и дорогостоящей переразметки.
Просмотров: 142
