Новости АПК и молочного рынка без рекламы

Сибирские ученые создали ...

Сибирские ученые создали нейросеть для контроля качества овощей и фруктов

Слушать новость 0:00 / 0:00


Новосибирский государственный технический университет (НГТУ) разработал интеллектуальную систему для автоматической оценки качества сельскохозяйственной продукции. Технология предназначена для внедрения в системы контроля качества на предприятиях АПК, в логистических центрах и розничных сетях. По обычным фотографиям она определяет не только внешние дефекты, но и степень свежести фруктов и овощей.

В ходе создания «умного сортировщика» разработчики сравнили метрический, машинный и глубокий подходы к обучению, чтобы выяснить, какой из них оптимален для разных производственных задач. «Мы не просто создали очередной классификатор, а провели детальное сравнение принципиально разных подходов к обучению, — отметили в НГТУ. — Это позволило понять, как каждый метод видит дефекты, почему одна модель лучше справляется с поиском гнилой продукции, а другая — с определением незрелости. 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».

Руководитель проекта Егор Антонянц пояснил, что главная сложность состояла в различении гнили и незрелости: на многих фотографиях такие состояния выглядят похоже из-за зеленоватых или коричневатых оттенков. Для решения использовалась особая архитектура триплетной сети, учитывающая сразу несколько примеров — эталонный, положительный и два отрицательных. Это позволило создать более гибкие границы между классами и значительно снизить число ошибок.

Важно! Возможность работы с обычными фотографиями, сделанными при разном освещении и под разными углами, а также высокая точность на новых видах продукции означают, что внедрение автоматического контроля качества может стать доступнее для предприятий без длительной и дорогостоящей переразметки.

Прототип успешно доказал эффективность в лабораторных условиях на статичных фотографиях. Обучение и тестирование проводились на четырех видах продуктов: бананах, апельсинах, клубнике и томатах. Протестированные на изображениях из открытых источников нейронные сети стабильно показывали точность до 89% даже на продуктах, не встречавшихся им во время обучения, что позволит быстро адаптировать «сортировщик» под новый вид продукции.

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. «Дальше мы хотим привлечь партнеров из агропромышленного сектора для организации совместных испытаний системы на реальных производственных линиях», — добавил Егор Антонянц.

Ранее по теме


Читайте также


Комментарии 0

Возврат к списку