Obrazowanie hiperspektralne jest użyteczną techniką analizy składu chemicznego żywności i produktów rolnych. Jest to jednak procedura kosztowna i skomplikowana, co ogranicza jej praktyczne zastosowanie. Zespół badaczy z Uniwersytetu Illinois Urbana-Champaign opracował metodę rekonstrukcji obrazów hiperspektralnych ze standardowych obrazów RGB przy użyciu głębokiego uczenia maszynowego. Technika ta może znacznie uprościć proces analityczny i potencjalnie zrewolucjonizować ocenę produktów w branży rolniczej.
„Do obrazowania hiperspektralnego wykorzystuje się drogi sprzęt. Jeśli możemy wykorzystać obrazy RGB zarejestrowane zwykłym aparatem lub smartfonem, możemy zastosować tanie, przenośne urządzenie do przewidywania jakości produktu” – powiedział główny autor, Md Toukir Ahmed, doktorant na Wydziale Inżynierii Rolniczej i Biologicznej (ABE), będącej częścią College of Agricultural, Consumer and Environmental Sciences oraz The Grainger College of Engineering w Illinois.
Naukowcy przetestowali swoją metodę, analizując skład chemiczny słodkich ziemniaków. W jednym badaniu skupili się na zawartości rozpuszczalnych substancji stałych, a w drugim na suchej masie – ważnych cechach wpływających na smak, wartość odżywczą, zbywalność i przydatność do przetwarzania słodkich ziemniaków. Korzystając z modeli głębokiego uczenia się, przekształcili informacje z obrazów RGB w obrazy hiperspektralne.
„Dzięki obrazom RGB można wykryć jedynie widoczne atrybuty, takie jak kolor, kształt, rozmiar i defekty zewnętrzne; nie można wykryć żadnych parametrów chemicznych. W obrazach RGB mamy długości fal od 400 do 700 nanometrów i trzy kanały – czerwony, zielony i niebieski, ale w przypadku obrazów hiperspektralnych dostępnych jest wiele kanałów i długości fal od 700 do 1000 nm. Dzięki metodom głębokiego uczenia możemy zmapować i zrekonstruować ten zakres, dzięki czemu możemy teraz wykryć atrybuty chemiczne na obrazach RGB” – powiedział Mohammed Kamruzzaman, adiunkt w ABE i autor korespondencyjny obu artykułów.
Obrazowanie hiperspektralne rejestruje szczegółową sygnaturę widmową w lokalizacjach przestrzennych w setkach wąskich pasm, łącząc się, tworząc hipersześciany. Stosując najnowocześniejsze algorytmy oparte na głębokim uczeniu się, Kamruzzaman i Ahmed byli w stanie stworzyć model rekonstruujący hipersześciany z obrazów RGB w celu dostarczenia odpowiednich informacji do analizy produktu.
Kalibrowali model spektralny za pomocą zrekonstruowanych obrazów hiperspektralnych słodkich ziemniaków, osiągając ponad 70% dokładność w przewidywaniu zawartości rozpuszczalnych substancji stałych i 88% dokładność w przewidywaniu zawartości suchej masy, co oznacza znaczną poprawę w porównaniu z poprzednimi badaniami.
W trzeciej pracy zespół badawczy zastosował metody głębokiego uczenia się do rekonstrukcji obrazów hiperspektralnych w celu przewidywania śmiertelności zarodków kurcząt, co ma zastosowanie w branży jaj i wylęgarni. Zbadali różne techniki i przedstawili zalecenia dotyczące najdokładniejszego podejścia.
„Nasze wyniki są bardzo obiecujące, jeśli chodzi o zrewolucjonizowanie oceny jakości produktów rolnych. Rekonstruując szczegółowe informacje chemiczne z prostych obrazów RGB, otwieramy nowe możliwości niedrogiej i dostępnej analizy. Chociaż skalowanie tej technologii do zastosowań przemysłowych pozostaje wyzwaniem, potencjał transformacji kontrola jakości w całym sektorze rolnym sprawia, że jest to naprawdę ekscytujące przedsięwzięcie” – podsumował Kamruzzaman.
