Classificazione della frutta più intelligente grazie al rilevamento ottico e all'apprendimento automatico

Per quanto tempo controlli una mela al negozio prima che finisca nel tuo carrello? I consumatori di oggi si aspettano che i loro prodotti alimentari siano sempre di alta qualità. Ecco perché aziende come Ocean Optics utilizzano strumenti di analisi e rilevamento ottico avanzati per migliorare la qualità del cibo per i consumatori e la qualità delle soluzioni per i trasformatori alimentari e i produttori di macchine selezionatrici.

Storicamente, la selezione degli alimenti è stata gestita manualmente, facendo affidamento sull’esperienza dei lavoratori per giudicare visivamente la qualità. L’introduzione dei sistemi di visione artificiale, della scansione ottica e della spettroscopia ha aggiunto un livello molto più profondo di comprensione e analisi. Ad esempio, alcuni spettrometri possono "vedere" all'interno della buccia di un frutto per determinare il contenuto di grassi, proteine ​​o acqua, o per individuare imbrunimenti, marciumi o ammaccature interne.

Nuovi strumenti come l’apprendimento automatico aggiungono un ulteriore livello di capacità analitica. Ad esempio, fondendo la spettroscopia con modelli statistici avanzati e architettura di apprendimento automatico, si possono ottenere vantaggi immediati per diversi gruppi all’interno della catena di fornitura: gli integratori di macchine di smistamento che cercano offerte analitiche più precise e affidabili; le aziende di trasformazione alimentare che cercano strutture più efficienti; e i consumatori che vogliono essere sicuri di mangiare ciò che si aspettano.

I datteri sono stati un frutto popolare fin dai tempi biblici. I consumatori sanno esattamente che tipo di appuntamento desiderano: né troppo umido né troppo secco.

Lugo Machinery & Innovation, un fornitore leader di prodotti per la selezione di prodotti freschi con sede in Israele, si è rivolta a Ocean Optics per migliorare il loro metodo manuale di selezione dei datteri in base all'umidità. I loro obiettivi erano semplici: in primo luogo, automatizzare il processo di smistamento per eliminare tutte le ispezioni manuali; successivamente, per eseguire le misurazioni rapidamente; e infine, effettuare le misurazioni in modo non distruttivo. Inoltre, la tempistica di Lugo era molto breve, con solo quattro mesi prima della stagione delle date, e non avevano alcuna esperienza precedente con la spettroscopia.

Sono stati eseguiti test di fattibilità su campioni di datteri provenienti da Lugo, che hanno mostrato rapidamente correlazioni NIR con i livelli di umidità nel frutto, aiutando a determinare la scelta del sistema. Questa configurazione è stata utilizzata in loco per analizzare un set di campioni molto più ampio, quindi utilizzata per l'addestramento dei dati per sviluppare algoritmi proprietari di apprendimento automatico.

Lugo era a conoscenza della risposta all'umidità dei dati tra 850 e 900 nm e immaginava che l'analisi si sarebbe concentrata esclusivamente su quella regione. Ma sulla base della nostra esperienza nell’analisi di altri frutti e verdure, abbiamo esteso l’intervallo analitico per includere caratteristiche spettrali con schemi più ampi, per aiutarci a sviluppare algoritmi di apprendimento automatico. Questo approccio – analisi spettrale a banda larga rispetto a lunghezza d’onda discreta – produce risultati più accurati e rende i dati meno suscettibili alle deviazioni legate alle interferenze ottiche.

L'analisi applicata è stata presa in considerazione anche nel progetto di smistamento delle date di Lugo. Dopo aver dimostrato la robustezza degli algoritmi sviluppati in precedenza, nonché la loro accuratezza predittiva, Lugo ha integrato la piattaforma spettrale in un sistema di nastri trasportatori con gli algoritmi in esecuzione su un PC dedicato. L'architettura di questo sistema di smistamento analizza ogni data e valuta oltre 12 potenziali modelli di correlazione, "votando" infine il modello migliore e generando l'output in millisecondi. I metodi di classificazione erano preziosi in questa applicazione, che richiedeva decisioni su soglie più ampie rispetto a risultati numerici precisi; alcuni di questi metodi includono k-vicini più vicini (k-NN), gaussiano e polinomiale. Gli strumenti del metodo si stanno evolvendo per includere modelli di regressione per risultati quantificati accurati, il che ha un valore inestimabile per coloro che lavorano nei flussi di processo alla ricerca di impurità da un numero qualsiasi di fonti.

Tracciando correlazioni matematiche tra gli andamenti dell'assorbanza e della concentrazione abbiamo fatto il primo passo verso una comprensione avanzata. Man mano che queste correlazioni si evolvono da adattamenti lineari a funzioni più complesse, la comprensione è ulteriormente avanzata e, man mano che queste funzioni complesse iniziano a rendere conto di più specie, facciamo ulteriori progressi. Ma a un certo punto si scontra un muro; a un certo punto ci sono così tanti input interconnessi che lavorano per generare così tanti output che i tradizionali metodi di deconvoluzione diventano scoraggianti se non impossibili.