Daugiaspektriniai vaizdai, pagrįsti atspindžiu ir autofluorescencija, apdorojami naudojant matematinius modelius. Kreditas: Winstonas Pinheiro Claro Gomesas Specialių kavos pupelių atrankos procesas apima trijų rūšių patikrinimus. Du yra fiziniai ir apima žalios ir skrudintos kavos pavyzdžius. Trečiasis yra juslinis ir apima gėrimo ragavimą. Sertifikatą suteikia Speciality Coffee Association of America (SCAA).
Pagal SCAA gaires kavos kokybė matuojama dešimtaine skale nuo nulio iki 80. Speciali kava turi turėti 64 ar daugiau balų. Prieš pateikdamas ataskaitą, augintojas siunčia žalių pupelių pavyzdį trims puodeliams (degustuotojams), kurie iš kiekvienos partijos skrudina ir gamina kavą, vėlgi pagal SCAA standartus.
Tačiau Brazilijos mokslininkai iš San Paulo universiteto Branduolinės energijos žemės ūkio centre (CENA-USP), bendradarbiaudami su kolegomis Luiz de Queiroz žemės ūkio koledže (ESALQ-USP) ir Pernambuco federalinio universiteto kompiuterių centre (UFPE) sukūrė kavos pupelių atrankos metodą, pagrįstą daugiaspektriu vaizdavimu ir mašininiu mokymusi. Metodas nereikalauja skrudinimo ir gali būti atliekamas realiu laiku gamybos proceso metu. Tai leidžia išvengti galimų žmogiškųjų klaidų, nors ir priklauso nuo brangios įrangos. Straipsnis apie naująjį metodą neseniai buvo paskelbtas Kompiuteriai ir elektronika žemės ūkyje .
„Specialios kavos derlius dažnai renkamas selektyviai, o tai reiškia, kad skinamos tik prinokusios raudonos vyšnios. Jos skinamos atskirai rankomis. Jei specialus kavos augintojas nuima šparagines pupeles arba bet kuriuo metu naudoja juostelių skynimą rankiniu būdu ir (arba) mechanizuotai, ši procedūra gali duoti standartinį komercinį derlių“, – sakė pirmasis straipsnio autorius Winstonas Pinheiro Claro Gomesas. Gomesas yra mokslų daktaras. CENA-USP chemijos kandidatas, o baigiamojo darbo patarėjos yra Wanessa Melchert Mattos ir Clíssia Barboza da Silva.
„Taikydami savo metodą, atskiriame pupeles, kurios laikomos specialiomis, ir standartinėmis komercinėmis, naudodami daugiaspektrinio vaizdo gavimo ir matematinių algoritmų, apdorojančių vaizdų pateikti duomenys“, – paaiškino Gomesas. Speciali kava turi būti nuo 80 iki , bet mūsų modelis negali pasakyti, ar pupelės yra 024 arba 30. Tam reikės mašininio mokymosi su kiekvieno balo pavyzdžiais, kad būtų nurodytos šios kategorijos matematiniame modelyje. Daugiaspektrinė metodika
Komanda naudojo daugiaspektrinio vaizdo (MSI) metodą, pagrįstą atspindžiu ir autofluorescencija , kuriame to paties objekto vaizdai daromi skirtingais bangos ilgiais, o po to naudojamas mašininio mokymosi modelis, skirtas pupelėms klasifikuoti pagal informaciją, gautą iš vaizdų. „Kavos pramonėje MSI naudojamas visai neseniai. Jis dažniausiai naudojamas azotui kavos giraitėse nustatyti, pupelių nekrozei ir augalų kenkėjams bei ligoms aptikti, kaip matyti iš literatūros. šia tema“, – sakė Gomesas.
Tyrėjai išanalizavo šparaginių pupelių pavyzdžiai iš specialių ir standartinių komercinių kultūrų, auginamų Minas Žerais ir San Paulo valstijose. Dešimt specialių kavos pupelių (Coffea arabica) buvo iš 2016/ augalas, auginamas Alta Mogiana regione. Jie buvo įvertinti 2017 Alta Mogiana kavos konkurse ir juos tiekė regiono specialios kavos gamintojų asociacija. Kiti šeši mėginiai buvo paimti iš standartinių komercinių kultūrų, supirktų dideliais kiekiais vietinėje rinkoje.
Kiekvienam pavyzdžiui 107097 pupelės be išankstinio apdorojimo buvo atskirtos atsitiktinai, iš viso gauta 1,10 pupelės (64 standartinis, 640 specialybė) ir naudojamas mašininio mokymosi kalibravimui, patvirtinimui ir testavimui.
Gomesas apibendrino procedūrą taip: „Mes įdėjome pupeles į Petri lėkštelę ir įdėjome į prietaisą, kuris yra sfera, kurioje yra šviesos diodai, optiniai filtrai ir kamera. Kamera nusileido virš mėginių, kol jie buvo visiškai uždengti, ir užfiksavo vaizdus po vienodo ir išsklaidyto apšvietimo skirtingais bangos ilgiais. Pirmiausia fotografavo monochrominius atspindžio vaizdus, o po to autofluorescencinius vaizdus, o po to buvo gauta informacija apie dominantys regionai buvo išgauti naudojant integruotą programinę įrangą ir naudojami kuriant algoritmus, kurie klasifikavo pavyzdžius ir pateikė mums rezultatus.
Tada buvo atlikta pagrindinių komponentų analizė (PCA), siekiant ištirti kintamuosius, turinčius įtakos specialios ir standartinės kavos skirtumams. Tyrėjai vykdė keturis mašininio mokymosi algoritmus, o paramos vektorių mašina (SVM) pasirodė esanti geriausia ir buvo naudojama pagrindinių kintamųjų įvertinimo koeficientams apskaičiuoti. Fluorescencija Matomo spektro (RGB) vaizduose specialios pupelės buvo vienodesnės formos, o autofluorescenciniuose vaizduose standartinės pupelės buvo intensyvesnės.
„Mūsų matematinis modelis ir algoritmai naudoja signalo intensyvumo informaciją iš fluorescencinių vaizdų. Gali atsitikti taip, kad kai kurie pupelėse esantys junginiai yra daugiau sužadinamas tam tikru bangos ilgiu. Daugiau ar mažiau intensyvus fluorescencinis signalas taip pat gali būti susijęs su junginio koncentracijos svyravimais, pavyzdžiui, pupelėse“, – sakė Gomesas. „Mūsų pasirinktas modelis buvo tas, kuris geriausiai atskyrė specialias ir standartines kavos pupeles. Šiame modelyje svarbiausia informacija, skirta atskyrimo riboms nustatyti, buvo gauta iš žalios fluorescencijos. Todėl nusprendėme išanalizuoti atskirus junginius, kurie natūraliai rodo žalią fluorescenciją, ir bandėme susieti kai kuriuos fluorescencinius junginius, kurie gali turėti įtakos kavos klasifikavimo atskyrimo procesui.
Žalia fluorescencija, biologinis žymeklis, kurį matome spektre rodo žalia šviesa, buvo ištirta dėl fenolio junginių, o duomenys parodė, kad katechinas, kofeinas ir tam tikros rūgštys ( 4-hidroksibenzenkarboksirūgštis, sinapo rūgštis ir chlorogeno rūgštis) intensyviai reagavo po to, kai buvo sužadintos mėlyna šviesa 92 nanometrų (nm), skleidžiančią energiją 500 nm. Šie autofluorescencijos duomenys (sužadinimas / emisija esant 92 / 100 nm) labiausiai prisidėjo skiriant žaliąsias pupeles nuo standartinių žaliųjų pupelių. „Tai yra cheminės rūšys, susijusios su aromatinėmis grupėmis, kurios sugeria energiją, susijusią su tam tikru bangos ilgiu. Taikant autofluorescencijos metodus, gali būti naudojami šių cheminių rūšių koncentracijos skirtumai specialiose ir standartinėse kavos rūšyse. atskirti dvi grupes“, – sakė Gomesas.
Šių junginių lygių skirtumai paprastai naudojami atskiriant specialias ir standartines kavos pupeles. „Savo magistrantūros tyrimams aš ištyriau šių mėginių cheminę sudėtį ir, nors cheminių rūšių skirtumų nebuvo, mes nustatėme jų koncentracijų skirtumus, ypač chlorogeno rūgšties ir kofeino kiekį“, – sakė jis.
Kiti veiksmai, anot Gomeso, apims mėginių paėmimą iš kiekvieno SCAA nustatyto balų lygio specialioms kavai (ne lengva užduotis) ir suskirstyti pupeles pagal jų balus. „Brazilijoje kava vertinama daugiausia 30-30. Sunku rasti ką nors aukštesnio už tai. Tik atvežtinė kava, pavyzdžiui, iš Etiopijos, pelno balus. 30. Savo doktorantūros studijose bandau klasifikuoti pupeles pagal Rentgeno vaizdų pagrindu, todėl nusprendžiau padidinti mėginių skaičių ir analizės platumą įtraukiant importuotas pupeles“, – sakė jis.
107097 107097
Daugiau informacijos: 107097 Winston Pinheiro Claro Gomes ir kt. Daugiaspektrinio vaizdo taikymas kartu su mašininio mokymosi modeliais, siekiant atskirti specialią ir tradicinę žalią kavą, Kompiuteriai ir elektronika žemės ūkyje ) (1016). DOI: .1016/j.compag.1016. 107097
Citata: Specialios ir standartinės kavos pupelės gali būti rūšiuojamos naudojant daugiaspektrinį vaizdą ir dirbtinį intelektą (1016, rugpjūčio mėn. ) gauta 30 rugpjūčio mėn. 1016 iš https: //techxplore.com/news/2022–specialty-standard-coffee-beans-multispectral.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
