Classificação de frutas mais inteligente com detecção óptica e aprendizado de máquina

Quanto tempo você inspeciona uma maçã na loja antes que ela acabe em sua cesta? Os consumidores de hoje esperam que seus produtos alimentícios sejam de alta qualidade de forma consistente. É por isso que empresas como a Ocean Optics estão usando ferramentas e análises avançadas de detecção óptica para melhorar a qualidade dos alimentos para os consumidores e a qualidade das soluções para processadores de alimentos e fabricantes de máquinas de classificação.

Historicamente, a separação de alimentos era gerenciada manualmente, contando com a experiência dos trabalhadores para julgar a qualidade visualmente. A introdução de sistemas de visão de máquina, varredura óptica e espectroscopia adicionou um nível muito mais profundo de compreensão e análise. Por exemplo, alguns espectrômetros podem "ver" dentro de uma casca de fruta para determinar o conteúdo de gordura, proteína ou água, ou para detectar escurecimento interno, podridão ou hematomas.

Novas ferramentas, como aprendizado de máquina, adicionam outra camada de capacidade analítica. Por exemplo, fundindo a espectroscopia com modelos estatísticos avançados e arquitetura de aprendizado de máquina, benefícios imediatos podem ser obtidos para diferentes grupos dentro da cadeia de suprimentos: os integradores de máquinas de classificação que buscam ofertas analíticas mais precisas e confiáveis; os processadores de alimentos lutando por instalações mais eficientes; e consumidores querendo ter certeza de que estão comendo o que esperam.

As tâmaras são uma fruta popular desde os tempos bíblicos. Os consumidores sabem exatamente o tipo de tâmara que desejam: nem muito úmido e nem muito seco.

A Ocean Optics foi abordada pela Lugo Machinery & Innovation, um fornecedor líder de produtos de classificação de produtos frescos com sede em Israel, para melhorar seu método manual de classificação de tâmaras por umidade. Seus objetivos eram simples: primeiro, automatizar o processo de classificação para eliminar todas as inspeções manuais; em seguida, realizar as medições rapidamente; e por último, fazer as medições de forma não destrutiva. Além disso, o cronograma de Lugo era muito curto, faltando apenas quatro meses para a temporada de datas, e eles não tinham experiência anterior com espectroscopia.

Testes de viabilidade foram realizados em amostras de tâmaras de Lugo, que rapidamente mostraram correlações NIR com níveis de umidade na fruta, ajudando a determinar a escolha do sistema. Essa configuração foi usada no local para analisar um conjunto de amostras muito maior e, em seguida, usada para dados de treinamento para desenvolver algoritmos proprietários de aprendizado de máquina.

Lugo estava ciente da data de resposta da umidade entre 850-900 nm e imaginou que a análise se concentraria apenas nessa região. Mas, com base em nossa experiência na análise de outras frutas e vegetais, estendemos o alcance analítico para incluir características espectrais padronizadas mais amplas, para nos ajudar a desenvolver algoritmos de aprendizado de máquina. Essa abordagem -- banda larga versus análise espectral de comprimento de onda discreto -- produz resultados mais precisos e torna os dados menos suscetíveis a desvios relacionados à interferência óptica.

A análise aplicada também foi incluída no projeto de classificação de datas de Lugo. Tendo mostrado a robustez dos algoritmos desenvolvidos anteriormente, bem como sua precisão preditiva, Lugo integrou a plataforma espectral em um sistema de correia transportadora com os algoritmos rodando em um PC dedicado. A arquitetura desse sistema de classificação examina cada data e pesa mais de 12 modelos de correlação em potencial, "votando" no melhor modelo e gerando a saída em milissegundos. Os métodos de classificação foram valiosos nesta aplicação, que exigia decisões de limite mais amplas versus saídas numéricas precisas; alguns desses métodos incluem k-vizinhos mais próximos (k-NN), Gaussiano e polinomial. A caixa de ferramentas do método está evoluindo para incluir modelos de regressão para saídas quantificadas precisas, o que é inestimável para aqueles que trabalham em fluxos de processo em busca de impurezas de várias fontes.

Ao traçar correlações matemáticas entre as tendências de absorção e concentração, demos o primeiro passo em direção ao entendimento avançado. À medida que essas correlações evoluem de ajustes lineares para funções mais complexas, a compreensão avança ainda mais e, à medida que essas funções complexas começam a explicar várias espécies, avançamos ainda mais. Mas em algum momento, uma parede é atingida; em algum ponto, há tantas entradas interconectadas trabalhando para gerar tantas saídas que os métodos tradicionais de deconvolução se tornam assustadores, se não impossíveis.