Новая методика визуализации упрощает и удешевляет оценку качества сельхозпродукции

Гиперспектральная визуализация — полезный метод анализа химического состава пищевых и сельскохозяйственных продуктов. Однако это дорогая и сложная процедура, что ограничивает её практическое применение.

Исследователи из Университета Иллинойса в Урбане-Шампейне разработали метод реконструкции гиперспектральных изображений из стандартных RGB-изображений с помощью глубокого машинного обучения. Эта методика может значительно упростить аналитический процесс и потенциально революционизировать оценку продукции в агропромышленности.

«Гиперспектральная визуализация использует дорогостоящее оборудование. Если мы сможем использовать RGB-изображения, снятые обычной камерой или смартфоном, то сможем применять недорогие портативные устройства для прогнозирования качества продукции», — заявил ведущий автор исследования Мд Тоукир Ахмед.

Исследователи протестировали свой метод, анализируя химический состав сладкого картофеля (батата).

В одном исследовании (Journal of Food Engineering) они сосредоточились на содержании растворимых твёрдых веществ, а во втором (Results in Engineering) — на содержании сухого вещества. Это важные характеристики, влияющие на вкус, питательную ценность, товарный вид и пригодность к переработке.

Используя модели глубокого обучения, они преобразовали информацию из RGB-изображений в гиперспектральные изображения.

«С RGB-изображениями можно обнаружить только видимые атрибуты, такие как цвет, форма, размер и внешние дефекты; химические параметры обнаружить нельзя. В RGB-изображениях у вас есть длины волн от 400 до 700 нанометров и три канала — красный, зелёный и синий. Но в гиперспектральных изображениях много каналов и длины волн от 700 до 1000 нм. С помощью методов глубокого обучения мы можем отобразить и реконструировать этот диапазон, и теперь можем обнаруживать химические атрибуты по RGB-изображениям», — пояснил доцент Мохаммед Камруззаман, автор-корреспондент обеих статей.

Гиперспектральная визуализация захватывает детальную спектральную сигнатуру в пространственных точках по сотням узких полос, объединяя их в гиперкубы. Применяя передовые алгоритмы на основе глубокого обучения, Камруззаман и Ахмед смогли создать модель для реконструкции гиперкубов из RGB-изображений, чтобы получить релевантную информацию для анализа продукции.

Они откалибровали спектральную модель с реконструированными гиперспектральными изображениями батата, достигнув точности прогнозирования содержания растворимых твёрдых веществ более 70%, а содержания сухого вещества — 88%. Это значительное улучшение по сравнению с предыдущими исследованиями.

В третьей статье (Smart Agricultural Technology) исследовательская группа применила методы глубокого обучения для реконструкции гиперспектральных изображений с целью прогнозирования смертности эмбрионов цыплят, что имеет применение в яичной и инкубаторной промышленности. Они изучили различные техники и дали рекомендации по наиболее точному подходу.

«Наши результаты показывают большие перспективы для революции в оценке качества сельскохозяйственной продукции. Реконструируя детальную химическую информацию из простых RGB-изображений, мы открываем новые возможности для доступного и недорогого анализа. Хотя проблемы масштабирования этой технологии для промышленного использования остаются, потенциал для преобразования контроля качества во всём аграрном секторе делает это начинание по-настоящему захватывающим», — заключил Камруззаман.