Умная сортировка фруктов с помощью оптических датчиков и машинного обучения

Как долго вы осматриваете яблоко в магазине, прежде чем оно окажется в вашей корзине? Сегодняшние потребители ожидают, что их продукты питания будут неизменно высокого качества. Вот почему такие компании, как Ocean Optics, используют передовые инструменты оптического зондирования и аналитики для улучшения качества продуктов питания для потребителей, а также качества решений для предприятий пищевой промышленности и производителей сортировочного оборудования.

Исторически сортировка продуктов питания осуществлялась вручную, полагаясь на опыт работников, способных визуально оценить качество. Внедрение систем машинного зрения, оптического сканирования и спектроскопии повысило уровень понимания и анализа. Например, некоторые спектрометры могут «видеть» кожуру фруктов изнутри, чтобы определить содержание жира, белка или воды или обнаружить внутреннее потемнение, гниль или кровоподтеки.

Новые инструменты, такие как машинное обучение, добавляют еще один уровень аналитических возможностей. Например, объединив спектроскопию с передовыми статистическими моделями и архитектурой машинного обучения, можно получить непосредственную выгоду для различных групп в цепочке поставок: интеграторов сортировочных машин, ищущих более точные и надежные аналитические предложения; предприятия пищевой промышленности, стремящиеся к более эффективному оборудованию; и потребители, желающие быть уверенными, что они едят то, что ожидают.

Финики были популярным фруктом еще с библейских времен. Потребители точно знают, какие финики им нужны: не слишком влажные и не слишком сухие.

Компания Lugo Machinery & Innovation, ведущий поставщик продуктов для сортировки свежих продуктов из Израиля, обратилась к компании Ocean Optics с предложением улучшить свой ручной метод сортировки фиников по влажности. Их цели были просты: во-первых, автоматизировать процесс сортировки, чтобы исключить необходимость ручного контроля; во-вторых, быстро выполнить измерения; и наконец, проводить измерения неразрушающим способом. Кроме того, сроки Луго были очень короткими: до сезона свиданий оставалось всего четыре месяца, и у них не было предыдущего опыта работы со спектроскопией.

Технико-экономическое обоснование было проведено на образцах фиников из Луго, которые быстро показали корреляцию NIR с уровнем влажности фруктов, что помогло определиться с выбором системы. Эта установка использовалась на месте для анализа гораздо большего набора выборок, а затем использовалась для обучения данных для разработки собственных алгоритмов машинного обучения.

Луго знал о реакции даты на влажность в диапазоне 850–900 нм и предполагал, что анализ будет сосредоточен исключительно на этой области. Но, основываясь на нашем опыте анализа других фруктов и овощей, мы расширили аналитический диапазон, включив в него более широкие закономерности спектральных характеристик, чтобы помочь нам разработать алгоритмы машинного обучения. Этот подход — широкополосный спектральный анализ по сравнению с дискретным спектральным анализом — дает более точные результаты и делает данные менее восприимчивыми к отклонениям, связанным с оптическими помехами.

Прикладная аналитика также была учтена в проекте сортировки дат Луго. Показав надежность разработанных ранее алгоритмов, а также их точность прогнозирования, Луго интегрировал спектральную платформу в конвейерную систему с алгоритмами, работающими на выделенном ПК. Архитектура этой системы сортировки сканирует каждую дату и взвешивает более 12 потенциальных корреляционных моделей, в конечном итоге «голосуя» за лучшую модель и генерируя результат за миллисекунды. Методы классификации были ценны в этом приложении, которое требовало более широких пороговых решений по сравнению с точными числовыми результатами; некоторые из этих методов включают метод k-ближайших соседей (k-NN), гауссовский и полиномиальный. Инструментарий метода развивается и включает в себя регрессионные модели для получения точных количественных результатов, что неоценимо для тех, кто работает в технологических потоках и ищет примеси из любого количества источников.

Выявив математические корреляции между тенденциями поглощения и концентрации, мы сделали первый шаг к более глубокому пониманию. По мере того, как эти корреляции развиваются от линейных подгонок к более сложным функциям, понимание продвигается дальше, и по мере того, как эти сложные функции начинают учитывать множество видов, мы продвигаемся еще дальше. Но в какой-то момент стена сталкивается; в какой-то момент существует так много взаимосвязанных входных данных, которые создают так много выходных данных, что традиционные методы деконволюции становятся пугающими, если не невозможными.