光学センシングと機械学習によるよりスマートな果物の格付け

リンゴがカゴに入るまで、店頭でどれくらいの期間検査しますか? 今日の消費者は、食品が一貫して高品質であることを期待しています。 そのため、Ocean Optics などの企業は、消費者向けの食品の品質を向上させ、食品加工業者や選別機メーカー向けのソリューションの品質を向上させるために、高度な光学センシング ツールと分析を使用しています。

歴史的に、食品の仕分けは手作業で管理されており、品質を視覚的に判断する労働者の専門知識に依存していました。 マシン ビジョン システム、光学走査、分光法の導入により、理解と分析のレベルがさらに深まりました。 たとえば、一部の分光計は果物の皮の内部を「見て」、脂肪、タンパク質、水分の含有量を測定したり、内部の褐変、腐敗、傷を見つけたりすることができます。

機械学習などの新しいツールにより、分析機能がさらに追加されます。 たとえば、分光法を高度な統計モデルおよび機械学習アーキテクチャと融合することで、サプライ チェーン内のさまざまなグループに即座にメリットを実現できます。 食品加工業者はより効率的な設備を目指して努力しています。 そして消費者は、自分が期待しているものを食べているという自信を持ちたいと考えています。

デーツは聖書の時代から人気のある果物です。 消費者は、湿りすぎず、乾きすぎない、自分が望む日付の種類を正確に知っています。

Ocean Optics は、イスラエルに本拠を置く生鮮食品選別製品の大手サプライヤーである Lugo Machinery & Innovation から、水分による日付の手動選別方法を改善するよう打診されました。 彼らの目標は単純でした。まず、仕分けプロセスを自動化し、手作業による検査をすべて排除することです。 次に、測定を迅速に実行します。 最後に、測定を非破壊で行うことです。 さらに、ルーゴのスケジュールは非常に短く、デーツシーズンまでわずか 4 か月しかなく、分光分析の経験もありませんでした。

実現可能性テストは、Lugo からの日付サンプルに対して実行され、果物の水分レベルと NIR の相関関係がすぐに示され、システムの選択を決定するのに役立ちました。 このセットアップは、はるかに大規模なサンプル セットを分析するためにオンサイトで使用され、その後、独自の機械学習アルゴリズムを開発するためのデータのトレーニングに使用されました。

ルーゴ氏は 850 ～ 900 nm の間の年代の水分反応を認識しており、その領域のみに焦点を当てて分析するだろうと想像していました。 しかし、他の果物や野菜を分析した経験に基づいて、機械学習アルゴリズムの開発に役立つよう、より広範なパターンのスペクトル特徴を含むように分析範囲を拡張しました。 このアプローチ、つまり広帯域スペクトル分析と離散波長スペクトル分析では、より正確な結果が得られ、光干渉に関連する偏差の影響をデータが受けにくくなります。

応用分析も、Lugo 日付並べ替えプロジェクトに組み込まれました。 以前に開発されたアルゴリズムの堅牢性とその予測精度を示したルーゴ氏は、専用の PC 上でアルゴリズムが実行されるコンベア ベルト システムにスペクトル プラットフォームを統合しました。 このソート システムのアーキテクチャは、各日付をスキャンして 12 の潜在的な相関モデルを比較検討し、最終的に最良のモデルに「投票」し、ミリ秒単位で出力を生成します。 このアプリケーションでは、正確な数値出力ではなく、より広範なしきい値の決定が必要な分類方法が貴重でした。 これらの方法には、k 最近傍 (k-NN)、ガウス、多項式などがあります。 メソッド ツールボックスは、正確に定量化された出力のための回帰モデルを含むように進化しています。これは、あらゆる数のソースからの不純物を探しているプロセス ストリームで作業する人々にとって非常に貴重です。

吸光度と濃度の傾向の間の数学的相関関係を描くことにより、我々は高度な理解への第一歩を踏み出しました。 これらの相関関係が線形適合からより複雑な関数に発展するにつれて、理解はさらに進み、これらの複雑な関数が複数の種を説明し始めると、さらに進歩します。 しかし、ある時点で壁にぶつかります。 ある時点で、非常に多くの相互接続された入力が非常に多くの出力を生成するために動作するため、従来のデコンボリューション手法は不可能ではないにしても困難になります。

果物の選別プロセスに機械学習を導入することで、人間の目や知覚に頼らず、デジタルデータのあらゆるビットを手作業で分析し、分光計のスキャンごとにピクセルごとにデータ配列全体を統計的に分析する、より深いレベルの分析が可能になります。検出器の上で。 このシステムは、これまで見逃されていた異常を確認し、より多くの絡み合った変数について、よりスマートで合理化された相関関係を開発できるようになりました。

機械学習の最も強力な側面の 1 つは、専門家でなくても新しいトレーニング セットをシステムに導入し、以前はその分野の専門家だけが達成できた結果を達成できることです。 これにより、拡張や進化のために専門家を雇うことなく、初期の製品機能を超えた開発を自由に行うことができます。 これらの新しいツールを使用すると、かつては非常に威圧的で制限されていたものが、さまざまなレベルのユーザーにとって完全にアプローチできるようになりました。

PLC や一般的なプロセス機器と連携するために、さまざまな通信インターフェイスが利用可能です。 私たちのケーススタディでは、Lugo と Ocean Optics は、日付を正しい方向 (適切な水分カテゴリー) に導くバルブへのアクションをトリガーするシステム PLC と通信するように分光計モジュールを設計しました。 この機能するシステムは、最終実装前にアルゴリズムを改良および最適化するためのベータ プラットフォームを作成しました。

現在、完全に統合されたシステムは 1 秒あたり 5 つの日付をスキャンし、完全に自動化されています。 これにより諸経費が削減され、安全性が向上し、顧客は選別プロセスの他の側面の改善に集中できるようになりました。 また、高度な統計モデルが確立されたため、顧客はモデリングの専門知識を必要とせずに追加の分析を開発できるようになります。

分光法、統計モデリング、機械学習アーキテクチャを融合することで、選別機インテグレーターや食品加工業者は、より効率的な選別および格付けシステムを構築できます。

オーシャンオプティクス社シニアアプリケーションサイエンティスト、Derek Guenther 著