طلاب روس يطورون نظام فرز متطور للفواكة والخضروات
© Depositphotos.com / Draghicich
تابعنا عبر
طور طلاب جامعة نوفوسيبيرسك التقنية الحكومية (NETI) نظامًا ذكيًا يُقيّم تلقائيًا جودة ونضارة الفواكه والخضراوات اعتمادا على صور عادية، وحققت الشبكات العصبية دقة تصل إلى 93.6% في الاختبارات المعملية، و89% حتى على المنتجات غير الموجودة في بيانات التدريب.
الهدف هو مساعدة منتجي الأغذية ومراكز الخدمات اللوجستية وتجار التجزئة على اكتشاف العفن وعدم النضج والعيوب المرئية الأخرى بسرعة أكبر، مع تقليل الاعتماد على التقييم الذاتي والجهد المبذول في الفحص اليدوي.
لماذا لا يزال من الصعب أتمتة فحص جودة المنتجات؟
قد يبدو فحص الفواكه والخضراوات بسيطًا، ولكنه في الواقع عملية تستغرق وقتًا طويلاً، وقد يرتكب الفاحصون أخطاءً تقديرية، بينما تتطلب أنظمة الرؤية الحاسوبية التقليدية غالبًا تصويرًا دقيقًا أو عشرات الآلاف من الصور المصنفة قبل أن تعمل بكفاءة.
قام طلاب السنة الثالثة في قسم هندسة الأتمتة والحاسوب بجامعة نوفوسيبيرسك التقنية الحكومية (NETI) - ديمتري شيبونوف، وألكسندر سيديلنيكوف، وسيميون سيمونياك - بمعالجة المشكلة من خلال مقارنة عدة طرق مختلفة جذريًا للتعرف على المنتجات، بدلاً من محاولة بناء مصنف شامل واحد.
كان هدفهم تحديد الطريقة الأنسب لتلبية احتياجات الإنتاج المختلفة، لأن النظام المصمم لتجنب إغفال المنتجات الفاسدة قد يحتاج إلى سلوك مختلف عن النظام المصمم لتجنب رفض المنتجات الجيدة عن طريق الخطأ.
تعليم الذكاء الاصطناعي الفرق بين التلف وعدم النضج
كانت إحدى أصعب المهام هي التمييز بين المنتجات الفاسدة والمنتجات غير الناضجة.
ووفقًا لإيغور أنتونيانتس، المشرف على المشروع والمساعد في قسم أنظمة التحكم الآلي بجامعة نوفوسيبيرسك التقنية الحكومية (NETI)، قد تبدو الحالتان متشابهتين بشكل مدهش في الصور، حيث قد تحتوي كلتاهما على مناطق خضراء أو بنية، ما يجعل التصنيف البصري البسيط غير موثوق.
لتحسين هذا التمييز، استخدم الفريق بنية شبكة ثلاثية خاصة، تُقارن عدة أمثلة في آنٍ واحد: صورة مرجعية، ومثال إيجابي، ومثالين سلبيين، فبدلًا من حفظ شكل طماطم "جيدة" أو موزة "فاسدة"، تتعلم الشبكة كيفية اختلاف الأمثلة عن بعضها، مما يساعدها على بناء فهم أكثر مرونة للنضارة والعيوب الظاهرة.
ثلاثة مناهج للذكاء الاصطناعي.. نقاط قوة مختلفة
قبل إنشاء النموذج الأولي النهائي، قارن الطلاب بين مناهج التعلم القياسي، والتعلم الآلي، والتعلم العميق للتعرف على العيوب، ووجد الباحثون أن الطرق المستخدمة لم تتخذ نفس القرارات، فقد يكون أحد النماذج أفضل في تحديد المنتجات الفاسدة، بينما قد يكون نموذج آخر أفضل في تمييز المنتجات غير الناضجة.
أدى هذا إلى فكرة مهمة، بدلاً من تزويد كل شركة بنفس نموذج الذكاء الاصطناعي، يمكن تكييف النظام مع المهمة الأكثر أهمية لكل شركة. بالنسبة لبعض خطوط الإنتاج، قد تكون الأولوية هي اكتشاف كل منتج تالف، حتى لو كان ذلك على حساب رفض بعض المنتجات الصالحة، بينما في حالات أخرى، قد يكون الشغل الشاغل هو تجنب الهدر غير الضروري للمنتجات الجيدة.
دقة تصل إلى 93.6% في الاختبارات المعملية
وصل المشروع إلى المرحلة النهائية من النموذج الأولي البحثي، حيث تم تدريب واختبار جميع بنى الشبكات العصبية الثلاث - "CNN" و"SNN" و"TNN". في التجارب المعملية باستخدام صور ثابتة، حققت الأنظمة دقة تصل إلى 93.6%.
أفاد المطورون أيضًا بأن الشبكات لا تتطلب مجموعات بيانات صور ضخمة، ويمكنها العمل مع الصور الفوتوغرافية العادية الملتقطة في ظروف إضاءة مختلفة ومن زوايا متعددة، والأهم من ذلك، أن دقة التعرف ظلت مرتفعة بنسبة 89% على المنتجات التي لم تتعرف عليها النماذج أثناء التدريب.
هذه الميزة تُسهّل على النظام التكيف مع أنواع جديدة من المنتجات الزراعية دون الحاجة إلى إعادة تصنيف آلاف الصور الجديدة، وهي عملية مكلفة ومطولة.
15 يوليو, 14:02 GMT
من الموز والطماطم إلى خطوط النقل الحقيقية
حتى الآن، تم تدريب النماذج واختبارها على أربعة منتجات: الموز، والبرتقال، والفراولة، والطماطم، ويتمثل التحدي التالي في تجاوز الصور الثابتة المخبرية.
وفقًا لإيغور أنتونيانتس، يخطط الفريق لتكييف الشبكات العصبية والنظام الذكي لتحليل الفيديو المباشر من سير النقل، مما يسمح باختبار التقنية على المنتجات الزراعية الحقيقية أثناء مرورها عبر خط الإنتاج.
كما يرغب الباحثون في توسيع قاعدة البيانات ليتمكن النظام من التعرف على محاصيل إضافية وأنواع جديدة من العيوب، ويأملون في إشراك شركاء من القطاع الزراعي في تجارب على خطوط إنتاج صناعية فعلية.
إذا تكللت هذه الاختبارات بالنجاح، فستوفر التقنية لمنتجي الأغذية ومراكز الخدمات اللوجستية وتجار التجزئة خطًا أوليًا آليًا لمراقبة الجودة، حيث يمكن للكاميرات العادية التقاط صور للمنتجات، ويمكن للذكاء الاصطناعي رصد المنتجات المشبوهة بسرعة، ويمكن للمختصين تركيز جهودهم حيث تشتد الحاجة إليها، وفقا لـ بوابة روسيا العلمية.
وبالتالي فإن هذا الإنجاز ليس مجرد مصنف صور آخر، بل هو محاولة لإنشاء نظام مرن لمراقبة جودة الذكاء الاصطناعي يمكن ضبطه وفقًا لأولويات العمل المختلفة وتكييفه مع المنتجات الجديدة دون إعادة بناء مجموعة البيانات بأكملها من الصفر.
