Forbedring af sød kartoffelkvalitetsanalyse med hyperspektral billeddannelse og AI

Søde kartofler er et populært fødevarevalg for forbrugere over hele verden på grund af deres lækre smag og nærende kvalitet. Den røde, knoldede rodfrugt kan forarbejdes til chips og fritter, og den har en række industrielle anvendelser, herunder tekstiler, bionedbrydelige polymerer og biobrændstoffer.

Kvalitetsvurdering af søde kartofler er afgørende for producenter og forarbejdningsvirksomheder, fordi egenskaber påvirker tekstur og smag, forbrugerpræferencer og levedygtighed til forskellige formål. En ny undersøgelse fra University of Illinois Urbana-Champaign udforsker brugen af ​​hyperspektral billeddannelse og forklarlig kunstig intelligens (AI) til at vurdere søde kartoflers egenskaber.

"Traditionelt sker kvalitetsvurdering ved hjælp af laboratorieanalysemetoder. Du skal bruge forskellige instrumenter til at måle forskellige attributter i laboratoriet, og du skal vente på resultaterne. Med hyperspektral billeddannelse kan du måle flere parametre samtidigt. Du kan vurdere hver kartoffel i en batch, ikke kun nogle få prøver."

"Spektral billeddannelse er ikke-invasiv, hurtig, nøjagtig og omkostningseffektiv," sagde Mohammed Kamruzzaman, assisterende professor ved Institut for Landbrugs- og Biologisk Teknik (ABE), en del af College of Agricultural, Consumer and Environmental Sciences (ACES) og Grainger College of Engineering i Illinois.

Undersøgelsen er en del af et multistatssamarbejde med det amerikanske landbrugsministerium, der omfatter forskere fra Mississippi, North Carolina, Michigan, Louisiana og Illinois. Hvert universitet behandler forskellige aspekter af projektet; Kamruzzamans team fokuserer på vurderingen af ​​tre kemiske egenskaber – tørstof, fasthed og indhold af opløseligt sukker (grad brix) – som påvirker markedsprisen og om en kartoffel er egnet til forbrugeren eller til forarbejdning.

Forskerne bruger et synligt nær-infrarødt hyperspektralt billedkamera til at tage billeder af søde kartofler fra to forskellige vinkler. Analyse af billederne producerer spektraldata, som bruges til at identificere nøglebølgelængder og udvikle farvekort, der viser fordelingen af ​​ønskede attributter.

Hyperspektral billeddannelse er blevet et vigtigt værktøj i landbrugs- og fødevareforarbejdningsforskning. Det genererer dog en enorm mængde data, der behandles med maskinlæring. Det er komplekst og fungerer typisk som en sort boks, hvor brugerne ikke ved, hvad der sker.

"Vi kombinerer hyperspektral billeddannelse med forklarlig AI, hvilket giver os mulighed for at forstå processerne bag resultaterne. Det er en måde at visualisere, hvordan maskinlæringsalgoritmerne fungerer, hvordan inputdata behandles, og hvordan funktioner er forbundet for at forudsige outputtet," sagde Md Toukir Ahmed, ph.d.-studerende i ABE og hovedforfatter af papiret.

"Vi mener, at dette er en ny anvendelse af denne metode til vurdering af søde kartofler. Dette banebrydende arbejde har potentialet til også at bane vejen for brug i en lang række andre landbrugs- og biologiske forskningsområder."

Resultaterne kan hjælpe branchefolk og forskere med at forstå betydningen af ​​forskellige funktioner i forudsigelse af kvalitetsegenskaber, hvilket fører til mere informeret beslutningstagning og sikrer forsyninger af produkter af højere kvalitet til forbrugerne.

Kamruzzaman sagde, at et mål med multi-universitetsprojektet er at udvikle et værktøj, som processorer kan bruge til hurtigt og nemt at scanne batcher af søde kartofler for at bestemme funktioner og egenskaber. Til sidst kunne forskere oprette en mobilapp, som forbrugerne kan bruge i købmanden til at scanne kvaliteten af ​​søde kartofler på købsstedet.

Værket er publiceret i tidsskriftet Computers and Electronics in Agriculture .

Flere oplysninger: Toukir Ahmed et al., Advancing sweetpotato-kvalitetsvurdering med hyperspektral billeddannelse og forklarlig kunstig intelligens, Computers and Electronics in Agriculture (2024). DOI:10.1016/j.compag.2024.108855

Leveret af University of Illinois at Urbana-Champaign