Нейронна мережа навчилася передбачати якість фруктів після тривалого зберігання
Дослідник Сколтеха і його колеги з Німеччини розробили алгоритм класифікації на основі нейронної мережі, за допомогою якого за даними моніторингу з яблуневого саду можна передбачати їх якість після тривалого зберігання.
Результати дослідження опубліковані в журналі Computers and Electronics in Agriculture.
Перш ніж усіма нами улюблені фрукти і овочі потрапляють до нас на стіл, вони проводять чимало часу в спеціальних сховищах. За час тривалого зберігання їх м'якоть може потемніти, а на шкірці можуть з'явитися коричневі або чорні плями, що може привести до загибелі значної частини продукції.
Для вирішення цієї проблеми проводяться численні дослідження з розробки надійних методів передбачення можливого псування продукції в процесі зберігання. Оскільки на якість і збереження свіжих фруктів і овочів впливає безліч факторів, пов'язаних з процесом їх вирощування і зберігання, вирішити це завдання далеко не просто.
Старший викладач Сколтеха Павло Осіненко (в минулому співробітник лабораторії автоматичного управління і системної динаміки Хемніцкого технічного університету) і його колеги зібрали дані за три роки по саду, де ростуть яблука сорту Бребурн, в Німеччині, включаючи метеодані та інформацію про вміст в плодах хлорофілу, антоціанів і розчинних твердих і сухих речовин, отриману неруйнівним методом за допомогою датчиків спектроскопії видимого і ближнього інфрачервоного діапазонів. Дослідники також використовували результати оцінки якості фруктів після зберігання, враховуючи, що покупець віддає перевагу красивим на вигляд і міцним, хрустким яблукам (для оцінки цих якостей існує окремий показник).
"Наш досвід роботи з експериментальним садом в Німеччині, який можна назвати типовим садовим господарством, показує, що розроблену методику можна без особливих зусиль впроваджувати в сільському господарстві", - підкреслив Павло Осіненко.
Дослідники розробили алгоритм класифікації на основі рекурентної нейронної мережі і навчили його на даних про фруктові сади. У 80 відсотків випадків алгоритм успішно впорався із завданням прогнозування потемніння м'якоті, вм'ятин на поверхні яблука, а також ступеня твердості плода.
«Це, безсумнівно, успішний результат, оскільки мова йде про автоматизоване рішення, практично не вимагає участі людини. Для доопрацювання алгоритму будуть потрібні додаткові дані і донастройка, але на етапі підтвердження концепції (proof of concept) досягнутий результат виглядає багатообіцяюче», − зазначає Павло Осіненко.
Він додає, що розроблена методика побудована за провісницьким принципом, що дозволить фермерам використовувати дані класифікатора для підвищення врожайності. Автори методики вже отримали пропозиції про співпрацю від виробників інших видів фруктів і навіть овочів, оскільки запропонований метод застосуємо і для овочевої продукції.
Також читайте: