Обнаружение "древесной грудки" у кур улучшено с помощью продвинутой модели машинного обучения
Дефект "древесная грудка" означает для потребителей более жесткое куриное филе, а для индустрии — ежегодные потери до $200 млн.
Исследование, проведенное Арканзасской сельскохозяйственной опытной станцией, не только упрощает обнаружение этого дефекта, но и повышает точность до 95%.
Разработка может помочь улучшить контроль качества и доверие потребителей к одному из самых важных для экономики штата сельхозпродуктов. Для "просвечивания" мяса используется комбинация гиперспектральной камеры, которая анализирует мясо на разных длинах волн энергии, и машинного обучения для интерпретации данных.
"Нам удалось повысить точность обнаружения древесной грудки, используя машинное обучение для анализа сложных данных с гиперспектральной камеры", — сказал Донги Ван, доцент кафедры биологической и сельскохозяйственной инженерии.
"Следующим шагом будет интеграция системы в онлайн-режим для пользы заинтересованных сторон", — отметил Ван, подчеркнув новизну такого применения анализа изображений.
Потеря премиального продукта
По словам Кейси Оуэнс, соавтора исследования, мясо с "древесной грудкой" тверже и жестче обычного, но безопасно для употребления. При обнаружении на перерабатывающих предприятиях такое мясо направляют не на упаковку целым филе, а на дальнейшую переработку в продукты вроде наггетсов и котлет.
Потеря премиального статуса цельного мышечного продукта приводит к убыткам до $200 млн в Арканзасе и свыше $1 млрд в год по всей птицеводческой индустрии США. Дефект может присутствовать в до 20% куриного филе и чаще встречается у крупных птиц весом 8–9 фунтов против 6–7 фунтов.
Гиперспектральная визуализация
Гиперспектральная визуализация — это быстрый неинвазивный метод сбора детальных данных о составе объектов. Эти данные можно использовать для классификации пищевых продуктов по качеству и предпочтениям потребителей.
Однако гиперспектральные изображения генерируют огромные массивы данных. Здесь на помощь приходит машинное обучение.
Чайтанья Паллерла, аспирант и участник проекта, пояснил, что новая модель машинного обучения называется NAS-WD. При корреляции с известными данными о "древесности" филе модель позволяет проводить более глубокий и широкий анализ гиперспектральных изображений для выявления дефекта.
"Мы создали новую модель, хорошо подходящую для корреляции более двух переменных. Мы объединили две разные модели, внесли изменения, чтобы лучше выявлять закономерности и соотносить гиперспектральные данные с твердостью мяса", — сказал Паллерла.
Результаты исследования опубликованы в журнале Artificial Intelligence in Agriculture. Они показали, что NAS-WD может классифицировать три уровня дефекта с общей точностью 95%, превосходя традиционные модели:
Support Vector Machine — точность 80%
Multi-Layer Perception — точность около 73%
Ван отметил, что исследование — пример использования новых алгоритмов для добычи ключевой информации. В работе использовался метод гиперспектральной съемки "push broom", который делает снимок нескольких объектов раз в 40 секунд. Более распространенный в индустрии метод "snapshot" снимает отдельные объекты каждые 30 миллисекунд.
Разрешение у "snapshot" ниже, чем у "push broom", но будущие обновления ПО могут это исправить. Команда Вана работает над внедрением этой технологии в систему реального времени.