24 سپتامبر 2024 -توسط جان لاوت، دانشگاه آرکانزاس-چکیده گرافیکی اعتبار: مجله مهندسی مواد غذایی
آیا تا به حال در مقابل سیب های نمایش داده شده در خواربار فروشی بایستید و سعی کنید بهترین ها را انتخاب کنید و از خود پرسیده اید: “آیا برنامه ای برای این کار وجود دارد؟”
مدل‌های رایانه‌ای مبتنی بر یادگیری ماشین فعلی که برای پیش‌بینی کیفیت غذا استفاده می‌شوند به اندازه توانایی انسان برای سازگاری با شرایط محیطی سازگار نیستند. با این حال، اطلاعات گردآوری‌شده در یک مطالعه ایستگاه آزمایش کشاورزی آرکانزاس ممکن است روزی برای توسعه آن برنامه مورد استفاده قرار گیرد، و همچنین اطلاعاتی در مورد ارائه غذاها به شیوه‌ای جذاب‌تر و بهینه‌سازی طرح‌های نرم‌افزاری برای سیستم‌های بینایی ماشین مورد استفاده در تجهیزات پردازش به فروشگاه‌های مواد غذایی ارائه شود.
این مطالعه توسط Dongyi Wang، استادیار کشاورزی هوشمند و تولید مواد غذایی در بخش مهندسی بیولوژیکی و کشاورزی و گروه علوم غذایی، اخیراً در مجله مهندسی مواد غذایی منتشر شده است.
حتی اگر درک انسان از کیفیت غذا را می توان با روشنایی دستکاری کرد، این مطالعه نشان داد که رایانه هایی که با داده های دریافت انسان از کیفیت غذا آموزش دیده اند، پیش بینی های کیفیت غذا را در شرایط مختلف نوری مختلف پیش بینی می کنند.
وانگ گفت: “هنگام مطالعه قابلیت اطمینان مدل های یادگیری ماشینی، اولین کاری که باید انجام دهید ارزیابی قابلیت اطمینان انسان است.” اما در ادراک انسان تفاوت‌هایی وجود دارد. کاری که ما سعی می‌کنیم انجام دهیم این است که مدل‌های یادگیری ماشینی خود را طوری آموزش دهیم که قابل اعتمادتر و سازگارتر باشند.
این مطالعه نشان داد که خطاهای پیش‌بینی رایانه‌ای را می‌توان با استفاده از داده‌های دریافتی انسان از عکس‌ها در شرایط نوری مختلف تا حدود 20 درصد کاهش داد. این مدل از یک مدل ثابت که یک کامپیوتر را با استفاده از تصاویر بدون در نظر گرفتن تغییر ادراک انسانی آموزش می دهد، بهتر عمل می کند.
اگرچه تکنیک‌های بینایی ماشین به طور گسترده در زمینه مهندسی مواد غذایی مورد مطالعه و استفاده قرار گرفته‌اند، این مطالعه خاطرنشان کرد که اکثر الگوریتم‌های فعلی بر اساس “حقایق زمینی برچسب‌گذاری شده توسط انسان یا اطلاعات رنگی ساده” آموزش داده می‌شوند. نویسندگان بیان کردند که هیچ مطالعه‌ای اثرات تغییرات نور را بر ادراک انسان و اینکه چگونه سوگیری‌ها می‌توانند بر آموزش مدل‌های بینایی ماشین برای ارزیابی کیفیت غذا تأثیر بگذارند، در نظر نگرفته‌اند.محققان از کاهو برای ارزیابی ادراک انسان در شرایط نوری مختلف استفاده کردند که به نوبه خود برای آموزش مدل کامپیوتری استفاده شد. ارزیابی های حسی در مرکز علوم حسی ایستگاه آزمایش انجام شد Han-Seok Seo، استاد بخش علوم غذایی و مدیر مرکز علوم حسی، یکی از نویسندگان این مطالعه بود.
از بین 109 شرکت‌کننده در طیف سنی وسیع، 89 نفر تمام نه جلسه حسی مرحله پایایی ادراک انسانی مطالعه را تکمیل کردند. هیچ یک از شرکت کنندگان کور رنگ یا مشکل بینایی نداشتند. در پنج روز متوالی، اعضای پانل هر روز 75 تصویر از کاهوی رومن را ارزیابی کردند. آنها تازگی کاهو را در مقیاس صفر تا 100 درجه بندی کردند.
تصاویر کاهو را که پانل حسی درجه بندی کرد، نمونه هایی بود که در طول هشت روز عکس گرفته شد تا سطوح مختلف قهوه ای شدن را ارائه دهد. آنها تحت روشنایی نور و دماهای رنگی مختلف، از “سرد” مایل به آبی تا رنگ “گرم” نارنجی، گرفته شدند تا مجموعه داده ای از 675 تصویر به دست آید.
این مطالعه اشاره کرد که چندین مدل یادگیری ماشینی تثبیت شده برای ارزیابی تصاویر مشابه با پانل حسی استفاده شد. مدل های مختلف شبکه عصبی از تصاویر نمونه به عنوان ورودی استفاده کردند و برای پیش بینی میانگین درجه بندی انسانی متناظر برای تقلید بهتر ادراک انسان آموزش دیدند.
همانطور که در آزمایش های دیگر در مرکز علوم حسی مشاهده شد، درک انسان از کیفیت غذا را می توان با نور دستکاری کرد. وانگ توضیح داد، برای مثال، رنگ‌های محیطی گرم‌تر می‌توانند قهوه‌ای شدن کاهو را پنهان کنند.
وانگ گفت که روش آموزش رایانه‌های مبتنی بر بینایی ماشین با استفاده از ادراک انسان در شرایط نوری مختلف می‌تواند در بسیاری از چیزها، از غذاها گرفته تا جواهرات، اعمال شود.
