Tim istraživača sa Univerziteta Ilinois u Urban-Šampejnu razvio je inovativan pristup za rekonstrukciju hiperspektralnih slika iz standardnih RGB slika, koristeći napredne metode dubokog mašinskog učenja. Ova tehnologija bi mogla značajno pojednostaviti analizu hemijskog sastava hrane i poljoprivrednih proizvoda, pružajući jeftiniju i bržu alternativu skupim hiperspektralnim kamerama koje se trenutno koriste u industriji. Nova tehnika otvara vrata potencijalnoj revoluciji u proceni kvaliteta proizvoda u poljoprivrednoj industriji.
Hiperspektralno snimanje je sofisticirana tehnika koja omogućava preciznu analizu hemijskih i fizičkih svojstava materijala, ali je zbog visokih troškova opreme i složenih procedura njena primena često ograničena. Tradicionalne hiperspektralne kamere snimaju detaljan spektralni potpis na stotinama različitih talasnih dužina, omogućavajući analizu unutrašnjih svojstava proizvoda, što nije moguće sa standardnim RGB slikama. Međutim, novi metod koji je razvijen na Ilinoisu omogućava rekonstrukciju ovih spektralnih informacija koristeći slike snimljene običnim kamerama ili pametnim telefonima.
Glavni autor studije, dr Toukir Ahmed, doktorand na Odseku za poljoprivredno i biološko inženjerstvo (ABE) Univerziteta Ilinois, objašnjava prednosti ove tehnologije: „Hiperspektralno snimanje koristi veoma skupu opremu, ali ako možemo da koristimo standardne RGB slike snimljene običnom kamerom, možemo kreirati ručni, jeftin uređaj za predviđanje kvaliteta proizvoda. Ovo bi moglo značajno smanjiti troškove i pojednostaviti procese u industriji.“
Istraživački tim je testirao svoju tehnologiju na analizi slatkog krompira, fokusirajući se na dva ključna parametra: sadržaj rastvorljivih čvrstih materija i sadržaj suve materije, oba važna za ukus, nutritivnu vrednost i tržišnu sposobnost ovog povrća. U studiji objavljenoj u Journal of Food Engineering, koristeći RGB slike, istraživači su uspeli da precizno predvide sadržaj rastvorljivih čvrstih materija sa tačnošću od 70%, dok su u drugoj studiji objavljenoj u Results in Engineering postigli impresivnu tačnost od 88% u predviđanju sadržaja suve materije.
„RGB slike obuhvataju samo vidljive karakteristike, kao što su boja, oblik i spoljašnji defekti, ali ne pružaju informacije o hemijskim svojstvima“, objašnjava Mohamed Kamruzzaman, docent u ABE i dopisni autor oba rada. „Korišćenjem modela dubokog učenja, mogli smo da mapiramo informacije iz RGB slika i rekonstruišemo hiperspektralne slike, što nam je omogućilo da otkrijemo hemijske atribute proizvoda.“
Hiperspektralne slike pružaju mnoštvo podataka analiziranjem svetlosti u stotinama talasnih dužina, što omogućava detaljnu analizu hemijskih komponenti. Tim je uspeo da primeni najsavremenije algoritme za rekonstrukciju tih informacija iz mnogo jednostavnijih RGB slika, kreirajući model koji može pružiti precizne informacije za analizu kvaliteta proizvoda.
„Ovo otvara nove mogućnosti za industrijsku primenu u proceni kvaliteta hrane i poljoprivrednih proizvoda, omogućavajući bržu i pristupačniju analizu u poređenju sa tradicionalnim metodama hiperspektralnog snimanja“, rekao je Kamruzzaman. „Iako postoje izazovi u skaliranju ove tehnologije za masovnu industrijsku upotrebu, njene mogućnosti su ogromne.“
Pored analize slatkog krompira, tim je svoju tehnologiju primenio i na predviđanje smrtnosti pilećih embriona, što bi moglo biti od velikog značaja za industriju jaja i klijališta. Ova studija, objavljena u Smart Agricultural Technologies, pokazala je potencijal novih tehnika dubokog učenja da unaprede proces kontrole kvaliteta u poljoprivredi.
Rukovodilac istraživanja, dr Kamruzzaman, zaključuje: „Naši rezultati pokazuju veliko obećanje za revoluciju u proceni kvaliteta poljoprivrednih proizvoda. Rekonstrukcijom detaljnih hemijskih informacija iz jednostavnih RGB slika, otvaramo nove mogućnosti za pristupačnu i efikasnu analizu. Ovaj poduhvat je uzbudljiv korak napred u transformaciji poljoprivrednog sektora.“
Dok tehnologija još uvek prolazi kroz testiranje i prilagođavanje, njen potencijal za komercijalnu primenu mogao bi značajno unaprediti metode analize i kontrole kvaliteta u širokom spektru poljoprivrednih i prehrambenih industrija, pružajući brže, tačnije i pristupačnije rešenje za procenu kvaliteta proizvoda.
