您是否曾站在杂货店里陈列的苹果前试图挑选最好的苹果,并想知道“是否有可以做到这一点的应用程序?”
目前用于预测食品质量的基于机器学习的计算机模型并不像人类适应环境条件的能力那样稳定。不过,阿肯色州农业实验站研究中收集的信息将来可能会用于开发该应用程序,并为杂货店提供以更具吸引力的方式呈现食品的见解,并优化加工设施中使用的机器视觉系统的软件设计。
该项研究由生物与农业工程系、食品科学系智能农业与食品制造助理教授王东毅领导,最近发表在《食品工程杂志》上。
尽管人类对食品质量的感知可以通过照明来纵,但研究表明,使用人类对食品质量感知的数据训练的计算机在不同光照条件下可以做出更一致的食品质量预测。
“在研究机器学习模型的可靠性时,首先要做的就是评估人类的可靠性,”王说。“但人类的感知存在差异。我们正在努力训练我们的机器学习模型,使其更加可靠和一致。”
研究表明,利用人类在不同光照条件下对照片的感知数据,计算机预测误差可减少约20%。它的表现优于使用未考虑人类感知变化的图片来训练计算机的现有模型。
尽管机器视觉技术已在食品工程领域得到广泛研究和应用,但研究指出,目前大多数算法都是基于“人类标记的基本事实或简单的颜色信息”进行训练的。作者指出,没有研究考虑过光照变化对人类感知的影响,以及偏差如何影响用于食品质量评估的机器视觉模型的训练。
研究人员使用生菜来评估人类在不同光照条件下的感知,然后将其用于训练计算机模型。感官评估是在实验站的感官科学中心进行的。食品科学系教授兼感官科学中心主任韩硕(Han-SeokSeo)是这项研究的合著者。
在109名年龄跨度广泛的参与者中,有89人完成了该研究人类感知可靠性阶段的所有九个感官环节。没有一位参与者是色盲或有视力问题。在连续五天的时间里,小组成员每天评估75张长叶莴苣图片。他们以0到100的等级对莴苣的新鲜度进行评分。
感官小组评定的生菜图片是八天内拍摄的样本,以提供不同的褐变程度。这些图片是在不同的照明亮度和色温下拍摄的,从蓝色的“冷”色调到橙色的“暖”色调,共获得675张图片的数据集。
研究指出,采用了几种成熟的机器学习模型来评估与感官小组相同的图像。不同的神经网络模型使用样本图像作为输入,并经过训练以预测相应的平均人类评分,从而更好地模仿人类感知。
正如感官科学中心的其他实验所见,人类对食物质量的感知可以通过照明来控制。例如,较暖的环境颜色可以掩盖生菜变褐的现象,王解释说。
王说,利用不同光照条件下的人类感知来训练基于机器视觉的计算机的方法可以应用于许多事物,从食品到珠宝。
来自阿肯色大学的其他研究合著者包括工程学院工业工程副教授张胜帆;前生物和农业工程系博士后研究员、现任密苏里南方州立大学计算机信息科学助理教授SwarnaSethu;以及食品科学系项目助理VictoriaJ.Hogan。
标签:
免责声明:本文由用户上传,如有侵权请联系删除!