Введение
Пищевая промышленность включает в себя различные аспекты (например, производство, модификацию и переработку пищевых продуктов), которые требуют ряда физических и химических изменений сырья. Однако из-за увеличения загрязнения окружающей среды существует обеспокоенность безопасностью как источников продуктов питания, так и процедур их обработки. Чтобы соответствовать растущим ожиданиям общества и стандартам в области пищевой промышленности, контроль качества пищевых и сельскохозяйственных продуктов должен быть точным и эффективным, и поэтому он стал сложной и трудоемкой задачей. Процессы в пищевой промышленности (сортировка и инспекция, оценка объема и массы, контроль качества, операционный контроль и т.д.) постепенно автоматизируются с помощью различных методов, таких как компьютерное зрение и электронный нос [1]. В частности, в пищевой промышленности система машинного зрения может собирать ряд параметров, таких как размер, вес, форма, текстура и цвет продукта, и даже многочисленные детали, которые не могут быть замечены человеческим глазом, с целью мониторинга и управления процессом приготовления продуктов питания. Таким образом, можно избежать человеческих ошибок, вызванных монотонной работой. Исследователи продолжают работать над применением инновационных и появляющихся технологий обработки пищевых продуктов, чтобы помочь пищевой промышленности снизить затраты, повысить качество пищевых продуктов и эффективность их обработки.
Методология
Технологии машинного зрения могут быть интегрированы в процедуры инспекции, замораживания, сушки и консервирования для увеличения срока хранения продуктов, а также могут использоваться для упаковки и обнаружения посторонних предметов для увеличения срока годности продуктов. Системы компьютерного зрения обычно включает цифровые камеры и программное обеспечение для обработки изображений, работающее на компьютерах и механических системах. Осветительное устройство обеспечивает достаточное освещение объекта, чтобы камера могла получать высококачественные изображения объекта. Затем программное обеспечение компьютера может обрабатывать изображения для различных целей. Результаты обработанного изображения используются автоматизированной системой для принятия следующего операционного решения. Существует ряд способов получения высококачественных изображений в области пищевой промышленности, такие как стереосистемы, дистанционное зондирование, рентгеновские и гиперспектральные системы, магнитно-резонансная томография, а также тепловизионная съемка [3]. Обработка изображений используется для создания новых изображений на основе существующих с целью извлечения или улучшения характеристик интересующей области.
Результаты
Во время обработки пищевого сырья необходимы некоторые вспомогательные процедуры для выявления высококачественных и некондиционных пищевых продуктов. Эти процедуры включают оценку безопасности и качества пищевых продуктов, мониторинг процесса производства и упаковки, а также обнаружение посторонних предметов. Таким образом, можно эффективно предотвратить потерю ресурсов и повысить производительность. Внешний вид, текстура и компоненты пищевых продуктов являются основными ориентирами для определения качества и безопасности пищевых продуктов, мониторинга процедур обработки пищевых продуктов и обнаружения посторонних предметов. Подходы к машинному обучению используют обучающие выборки, чтобы впоследствии обнаруживать закономерности и, в конечном итоге, достигать точного прогнозирования будущих данных или тенденций. С развитием подходов к машинному обучению и увеличением масштаба и сложности анализа данных традиционные методы машинного обучения часто становятся непригодными. В результате были разработаны методы глубокого обучения, поскольку они имеют более сложную архитектуру и улучшенные возможности анализа данных [2].
Результаты
Глубокое обучение, также известное как глубокая нейронная сеть, представляет собой метод обучения для построения глубокой архитектуры и генерации модели путем повторения функций на нескольких уровнях. Эффективность глубокого обучения превосходит традиционные методы машинного обучения, хотя интерпретируемость не так хороша, как у традиционных методов обучения [4].
Обсуждение
Алгоритмы глубокого обучения основаны на репрезентативном изучении данных. Наблюдения могут быть выражены различными способами, например, в виде вектора значений интенсивности для каждого пикселя или более абстрактно в виде ряда ребер или областей определенной формы, в качестве примера. Существует несколько фреймворков глубокого обучения, таких как сверточные нейронные сети, рекуррентные нейронные сети и искусственные нейронные сети. Они применяются в компьютерном зрении, распознавании речи, обработке естественного языка и биоинформатике и достигли отличных результатов [5].
Обсуждение
Будущие направления исследований и разработок должны быть в основном сосредоточены на обработке изображений, улучшение существующих алгоритмов или разработке более эффективных алгоритмов для повышения эффективности обработки и надежности систем компьютерного зрения. Такие технологии, как передовые вычисления в интернете вещей, также могут позволить выполнять этапы обработки и интерпретации изображений в машинном зрении, используя меньше ресурсов и обеспечивая меньшую задержку.
Выводы
Хотя проблемы остаются, внедрение систем машинного зрения в пищевой промышленности является общей тенденцией, и ожидается более широкое использования таких систем для решения задач автоматизации и управления.