Кемерово, Россия
Кемерово, Россия
Кемерово, Россия
Кемерово, Россия
Кемерово, Россия
Применение искусственного интеллекта в пищевой промышленности становится актуальным. Существуют разные способы цифровизации контроля показателей технологического потока производства продукции. Например, использование нейронных сетей для определения размеров гранул сухого киселя. Цель исследования – применить сверточные нейронные сети для контроля показателей технологического потока производства гранулированных киселей посредством локализации гранул киселя на изображении. Одним из важнейших параметров готовых гранул сухого киселя является их размер, который должен находится в пределах от 2 до 5 мм. Для разработки модели, определяющей крупные гранулы (более 5 мм), требуется собрать набор данных из изображений гранул разного размера. Выбраны модели локализации объектов из фреймворка Detectron2, которые оптимально справятся с задачей. Описаны принципы работы моделей и качественные показатели для оценки результатов обучения моделей. Для выявления крупных гранул собран и размечен набор данных из изображений гранул разного размера. Наилучших показателей достигала модель R50-FPN. Наибольшее значение принимала метрика AP50, затем шли AP75 и AP. Модели отлично обучились находить объекты на изображении, достаточно хорошо определяли координаты ограничивающей рамки. В собранном наборе данных отсутствовали размеченные объекты для малых (APs) и средних (APm) размеров, т. к. в исследовании сделан акцент на локализации именно больших гранул. Значения метрики APl для всех моделей находились на высоком уровне. Таким образом, выбранный подход к обучению и архитектуре нейронной сети оказался оптимальным для данной задачи. На основе обученной модели разработана программа ЭВМ, которая использует сверточные нейронные сети для детекции больших гранул на снимке с продукцией. В дальнейшем она может быть использована на непрерывных производствах для контроля размера готового продукта и его соответствия технологическим параметрам.
Искусственный интеллект, нейронные сети, локализация, гранулированные продукты, гранулированные кисели
1. Shafrai AV, Permyakova LV, Borodulin DM, Sergeeva IY. Modeling the physiological parameters of brewer’s yeast during storage with natural zeolite-containing tuffs using artificial neural networks. Information. 2022;13(11):529. https://doi.org/10.3390/info13110529
2. Королев И. А. Автоматизированное определение дисперсности воздушной фазы в мороженом с применением методов машинного обучения. Техника и технология пищевых производств. 2023. Т. 53. № 3. С. 455–464. https://doi.org /10.21603/2074-9414-2023-3-2448
3. Jo DM, Han S-J, Ko S-C, Kim KW, Yang D, et al. Application of artificial intelligence in the advancement of sensory evaluation of food products. Trends in Food Science & Technology. 2025;165:105283. https://doi.org/10.1016/j.tifs.2025.105283
4. Михеев П. Н. Технологии искусственного интеллекта в пищевой промышленности. Инновации и инвестиции. 2023. № 4. С. 536–539. [Mikheev PN. Artificial intelligence technologies in the food industry. Innovation & Investment. 2023;(4):536–539. (In Russ.)] https://elibrary.ru/DYOHTS
5. Лындина М. И. Пути совершенствования пищеконцентрантной отрасли. Инновационные технологии производства и хранения материальных ценностей для государственных нужд. 2020. № 13. С. 157–163. https://elibrary.ru/DHQPUP
6. Попов А. М. Анализ и синтез технологий гранулированных концентратов напитков. Кемерово: КемТИПП; 2003. С. 133–148. [Popov AM. Granulated beverage concentrates: Technological analysis and synthesis. Kemerovo: KemTIPP; 2003. pp. 133–148. (In Russ.)]
7. Ксенофонтов В. В. Нейронные сети. Проблемы науки. 2020. № 11. С. 28–29. https://elibr ary.ru/DTVJNS
8. Hassan E, El-Rashidy N, Talaat FM. Mask R-CNN models. Nile Journal of Communication and Computer Science. 2022;3(1):17–27. https://doi.org/10.21608/njccs.2022.280047
9. Olorunshola OE, Jemitola PO, Ademuwagun A. Comparative study of some deep learning object detection algorithms: R-CNN, fast R-CNN, faster R-CNN, SSD, and YOLO. Nile Journal of Engineering and Applied Science. 2023;1(1):70–80. https://doi.org/10.5455/NJEAS.150264
10. Prakash SR, Singh PN. Object detection through region proposal based techniques. Materials Today: Proceedings. 2021;46(9):3997–4002. https://doi.org/10.1016/j.matpr.2021.02.533
11. Zhu L, Lee F, Cai J, Yu H, Chen Q. An improved feature pyramid network for object detection. Neurocomputing. 2022;483:127–139. https://doi.org/10.1016/j.neucom.2022.02.016
12. Xavier AI, Villavicencio C, Macrohon JJ, Jeng J-H, Hsieh J-G. Object detection via gradient-based mask R-CNN using machine learning algorithms. Machines. 2022;10(5):340. https://doi.org/10.3390/machines10050340
13. Jabir B, Falih N, Rahmani K. Accuracy and efficiency comparison of object detection open-source models. International Journal of Online and Biomedical Engineering. 2021;17(5):165–184. https://doi.org/10.3991/ijoe.v17i05.21833
14. Peng H, Yu S. A systematic IOU-related method: Beyond simplified regression for better localization. IEEE Transactions on Image Processing. 2021;30:5032–5044. https://doi.org/10.1109/TIP.2021.3077144
