Международная группа исследователей разработала передовой алгоритм искусственного интеллекта (ИИ), способный с беспрецедентной точностью выявлять и классифицировать дефекты зеленых кофейных зерен. Это важное достижение для мировой кофейной индустрии было представлено в исследовании под названием «Сравнительный анализ моделей YOLO для обнаружения и классификации дефектов зеленых кофейных зерен», опубликованном в журнале Scientific Reports, том 14, 2024 года.
Исследовательская команда из Сельскохозяйственного университета Силхета в Бангладеш и Университета Гифу в Японии возглавила этот проект, сосредоточив внимание на применении моделей YOLO (You Only Look Once) для обнаружения дефектов. Исследование направлено на повышение эффективности производства кофе за счет внедрения автоматизированной системы, которая обеспечивает стабильное качество и снижает затраты на труд.
Качество зеленых кофейных зерен играет решающую роль в определении вкуса и коммерческой ценности конечного продукта. Традиционно проверка качества зеленых кофейных зерен основывалась на ручном труде — процессе, который занимает много времени, требует больших затрат и подвержен ошибкам человека. Эти вызовы подчеркивают необходимость автоматизированных решений, которые могут обеспечить быстрый и точный контроль.
Исследование демонстрирует, как модели ИИ могут заменить ручную проверку, предложив автоматизированную систему, способную выявлять и классифицировать дефекты, такие как черные, поврежденные, бледные и кислые зерна.
В состав исследовательской группы вошли Хира Лал Гопе, Хидэкадзу Фукай, Фахим Махафуз Рухад и Шохаг Барман. Они использовали набор данных из более чем 4500 аннотированных изображений для оценки производительности шести моделей YOLO, включая YOLOv3, YOLOv4, YOLOv5, YOLOv7, YOLOv8 и кастомизированную модель YOLOv8n, разработанную специально для данного исследования.
Образцы зеленых кофейных зерен были собраны у фермеров в Восточном Тиморе и сфотографированы с использованием стандартизированной установки для обеспечения единообразия. Были также применены методы предварительной обработки, такие как улучшение освещения, корректировка яркости и вращение, для повышения точности модели.
Кастомизированная модель YOLOv8n продемонстрировала выдающиеся результаты, достигнув точности 0,977, полноты 0,990 и f1-оценки 0,983. Кроме того, она зарегистрировала среднюю точность (mAP) на уровне 0,995, что подчеркивает её способность с высокой точностью выявлять даже мельчайшие дефекты.
Инновации в этой модели включают:
- Улучшенное извлечение признаков: изменения в архитектуре модели позволили выявлять мельчайшие дефекты.
- Многоуровневое обнаружение: модификации дизайна позволили модели распознавать дефекты различных размеров и характеристик.
- Индивидуальные ограничивающие рамки: адаптированы для уникальных размеров и форм кофейных зерен.
- Оптимизация параметров: улучшение скорости обучения и других параметров для повышения общей производительности.
В исследовании подчеркнуты несколько практических преимуществ использования ИИ в производстве кофе:
- Повышение эффективности: более быстрая обработка изображений по сравнению с ручной проверкой, что снижает операционные расходы.
- Стабильность: исключение человеческого фактора обеспечивает единообразное качество.
- Масштабируемость: модель может адаптироваться к различным типам зерен и дефектов в различных регионах, производящих кофе.
Исследователи также отметили, что эту систему можно применять для других сельскохозяйственных продуктов, таких как выявление заболеваний сельскохозяйственных культур или оценка качества фруктов и овощей.
В исследовании дефекты были классифицированы на четыре основные категории:
- Чёрные зерна: возникают из-за незрелых или поврежденных вишен.
- Поврежденные зерна: повреждены в процессе очистки.
- Бледные зерна: теряют цвет из-за быстрого высушивания или старения.
- Кислые зерна: вызваны перезрелыми вишнями или неправильным брожением.
Модель была обучена с использованием метода оптимизации стохастического градиента (SGD) на графическом процессоре NVIDIA Tesla T4. Этот подход позволил достичь оптимальной производительности после 150 циклов обучения.
Несмотря на успех кастомизированной модели, исследователи отметили некоторые существующие вызовы, включая:
- Длительное время обучения: требуется дополнительная оптимизация для его сокращения.
- Разнообразие данных: сбор более разнообразных образцов может улучшить универсальность модели.
- Интеграция с IoT-технологиями: объединение модели с датчиками Интернета вещей может обеспечить мониторинг качества в реальном времени.
Будущие исследования направлены на решение этих вызовов с целью разработки более комплексных и масштабируемых решений.
Разработка этого алгоритма ИИ является значительным шагом вперед в улучшении стандартов качества в кофейной индустрии. Благодаря беспрецедентной точности, предоставляемой кастомизированной моделью YOLOv8n, производители могут достичь превосходных результатов на глобальном рынке, требующем высочайших уровней эффективности и стабильности.
По мере развития этой технологии она обещает открыть новую эру в обеспечении качества кофе, где производители и потребители смогут рассчитывать на беспрецедентные уровни эффективности и инноваций.
