Студенты Новосибирского государственного технического университета НЭТИ разработали интеллектуальную систему для автоматической оценки качества сельскохозяйственной продукции.
Эта технология предназначена для внедрения в системы контроля качества на предприятиях агропромышленного комплекса, в логистических центрах и розничных сетях. Система анализирует обычные фотографии и выявляет внешние дефекты и степень свежести фруктов и овощей.
Контроль качества на предприятиях пищевой промышленности и в логистических центрах часто сопровождается субъективными ошибками и большими временными затратами. Традиционные системы компьютерного зрения требуют идеальных условий съемки или десятков тысяч размеченных примеров для обучения.
Студенты третьего курса направления автоматики и вычислительной техники НГТУ НЭТИ Дмитрий Шипунов, Александр Седельников и Семен Симоняк разработали систему «умный сортировщик». Перед этим они исследовали различные подходы к распознаванию дефектов, включая метрический, машинный и глубокое обучение, и определили наиболее эффективный для разных производственных задач.
Разработчики подчеркивают, что их система не просто классифицирует изображения, но и проводит детальное сравнение различных методов обучения. Это позволяет понять, как каждый алгоритм распознает дефекты и почему одна модель лучше справляется с выявлением гнилых плодов, а другая – незрелых. Таким образом, они предлагают предприятиям не универсальное, а оптимальное решение, соответствующее их специфическим требованиям: где‑то важнее не пропустить испорченные плоды, а где‑то – не забраковать качественные.
Руководитель проекта, ассистент кафедры автоматизированных систем управления НГТУ НЭТИ Егор Антонянц отметил, что главной сложностью было научить нейронную сеть различать гниль и незрелость. На многих фотографиях эти состояния выглядят схоже, с зеленоватыми или коричневатыми оттенками.
Для решения этой задачи была использована особая архитектура триплетной сети. Она учитывает не просто пары изображений, а несколько примеров: эталонный, положительный и два отрицательных. Это позволило создавать более гибкие границы между классами и значительно уменьшить количество ошибок.
По оценкам разработчиков, система не требует большого количества изображений и работает с обычными фотографиями, сделанными при различных условиях освещения и под разными углами. Нейронные сети прошли тестирование на изображениях из открытых источников и показали высокую точность – до 89% даже для продуктов, не встречавшихся в процессе обучения. Это позволит быстро адаптировать систему под новые виды продукции без длительной и дорогой переразметки.
Проект находится на стадии научно-исследовательского прототипа. Все три архитектуры нейросетей (CNN, SNN и TNN) были обучены, протестированы и продемонстрировали высокую точность (до 93,6%) на выборке изображений. Прототип успешно прошел лабораторные испытания на статичных фотографиях.
В будущем команда планирует адаптировать нейросети для работы с видеопотоком с конвейерной ленты, чтобы тестировать их на реальных сельскохозяйственных продуктах в движении. Также планируется расширить базу данных для обнаружения новых видов дефектов и культур. На данный момент обучение и тестирование проводились на четырех видах продуктов: бананах, апельсинах, клубнике и томатах. В дальнейшем разработчики намерены привлечь партнеров из агропромышленного сектора для проведения совместных испытаний системы на производственных линиях.
Источник: наука.рф
распечатать статью
