Classement plus intelligent des fruits grâce à la détection optique et à l'apprentissage automatique

Combien de temps inspectez-vous une pomme au magasin avant qu'elle ne se retrouve dans votre panier ? Les consommateurs d'aujourd'hui s'attendent à ce que leurs produits alimentaires soient constamment de haute qualité. C'est pourquoi des entreprises telles qu'Ocean Optics utilisent des outils de détection optique et d'analyse avancés pour améliorer la qualité des aliments pour les consommateurs, ainsi que la qualité des solutions pour les transformateurs alimentaires et les fabricants de machines de tri.

Historiquement, le tri des aliments était géré manuellement, en s'appuyant sur l'expertise des ouvriers pour juger visuellement de la qualité. L'introduction des systèmes de vision artificielle, du balayage optique et de la spectroscopie a ajouté un niveau de compréhension et d'analyse beaucoup plus profond. Par exemple, certains spectromètres peuvent "voir" l'intérieur d'une peau de fruit pour déterminer la teneur en graisse, en protéines ou en eau, ou pour repérer le brunissement interne, la pourriture ou les meurtrissures.

De nouveaux outils tels que l'apprentissage automatique ajoutent une autre couche de capacité analytique. Par exemple, en fusionnant la spectroscopie avec des modèles statistiques avancés et une architecture d'apprentissage automatique, des avantages immédiats peuvent être réalisés pour différents groupes au sein de la chaîne d'approvisionnement : les intégrateurs de machines de tri à la recherche d'offres analytiques plus précises et fiables ; les transformateurs d'aliments qui s'efforcent d'avoir des installations plus efficaces ; et les consommateurs qui veulent être sûrs de manger ce qu'ils attendent.

Les dattes sont un fruit populaire depuis les temps bibliques. Les consommateurs savent exactement quel type de dattes ils veulent : ni trop humides ni trop sèches.

Ocean Optics a été approché par Lugo Machinery & Innovation, l'un des principaux fournisseurs de produits de tri de produits frais basé en Israël, pour améliorer sa méthode manuelle de tri des dattes par humidité. Leurs objectifs étaient simples : premièrement, automatiser le processus de tri pour éliminer toute inspection manuelle ; ensuite, effectuer rapidement les mesures ; et enfin, pour effectuer les mesures de manière non destructive. De plus, le calendrier de Lugo était très court, avec seulement quatre mois avant la saison des dates, et ils n'avaient aucune expérience préalable de la spectroscopie.

Des tests de faisabilité ont été effectués sur des échantillons de dattes de Lugo, qui ont rapidement montré des corrélations NIR avec les niveaux d'humidité dans le fruit, aidant à déterminer le choix du système. Cette configuration a été utilisée sur site pour analyser un ensemble d'échantillons beaucoup plus important, puis utilisée pour former des données afin de développer des algorithmes d'apprentissage automatique propriétaires.

Lugo était au courant de la réponse à l'humidité de la date entre 850 et 900 nm et imaginait que l'analyse se concentrerait uniquement sur cette région. Mais sur la base de notre expérience dans l'analyse d'autres fruits et légumes, nous avons étendu la gamme analytique pour inclure des caractéristiques spectrales à motifs plus larges, pour nous aider à développer des algorithmes d'apprentissage automatique. Cette approche - analyse spectrale à large bande par rapport à une longueur d'onde discrète - donne des résultats plus précis et rend les données moins sensibles aux déviations liées aux interférences optiques.

L'analyse appliquée a également été prise en compte dans le projet de tri des dates de Lugo. Après avoir montré la robustesse des algorithmes développés précédemment, ainsi que leur précision prédictive, Lugo a intégré la plate-forme spectrale dans un système de bande transporteuse avec les algorithmes fonctionnant sur un PC dédié. L'architecture de ce système de tri scanne chaque date et pèse plus de 12 modèles de corrélation potentiels, « votant » finalement sur le meilleur modèle et générant la sortie en millisecondes. Les méthodes de classification étaient précieuses dans cette application, qui nécessitait des décisions de seuil plus larges par rapport à des sorties numériques précises ; certaines de ces méthodes incluent les k-plus proches voisins (k-NN), gaussiennes et polynomiales. La boîte à outils de la méthode évolue pour inclure des modèles de régression pour des résultats quantifiés précis, ce qui est inestimable pour ceux qui travaillent dans les flux de processus à la recherche d'impuretés provenant d'un certain nombre de sources.

En établissant des corrélations mathématiques entre les tendances d'absorbance et de concentration, nous avons fait le premier pas vers une compréhension avancée. Au fur et à mesure que ces corrélations évoluent d'ajustements linéaires à des fonctions plus complexes, la compréhension est encore plus avancée, et à mesure que ces fonctions complexes commencent à prendre en compte plusieurs espèces, nous avançons encore plus loin. Mais à un moment donné, un mur est frappé ; à un moment donné, il y a tellement d'entrées interconnectées qui fonctionnent pour générer tellement de sorties que les méthodes de déconvolution traditionnelles deviennent décourageantes, voire impossibles.

L'introduction de l'apprentissage automatique dans le processus de tri des fruits apporte un niveau d'analyse plus approfondi qui ne repose pas sur l'œil humain et la perception, mais qui passe plutôt ses doigts à travers chaque bit de données numérique, analysant statistiquement l'ensemble du tableau de données de chaque balayage du spectromètre à chaque pixel sur le détecteur. Ce système peut désormais voir les anomalies précédemment manquées et développer des corrélations plus intelligentes et plus rationalisées pour des variables beaucoup plus étroitement liées.

L'un des aspects les plus puissants de l'apprentissage automatique est la capacité des non-experts à introduire de nouveaux ensembles de formation dans le système et à obtenir des résultats auparavant accessibles uniquement aux experts du domaine. Cela crée la liberté de développer au-delà des capacités initiales du produit sans le coût d'un expert pour de telles extensions et évolutions. Avec ces nouveaux outils, ce qui était autrefois très intimidant et restreint est désormais entièrement accessible à de nombreux niveaux d'utilisateurs.

Diverses interfaces de communication sont disponibles pour fonctionner avec des automates programmables et des équipements de traitement courants. Dans notre étude de cas, Lugo et Ocean Optics ont conçu le module spectromètre pour communiquer avec l'automate du système afin de déclencher l'action d'une vanne qui oriente les dates dans la bonne direction (catégorie d'humidité appropriée). Ce système fonctionnel a créé une plate-forme bêta pour affiner et optimiser les algorithmes avant la mise en œuvre finale.

Aujourd'hui, le système entièrement intégré scanne 5 dates par seconde et est entièrement automatisé. Cela a réduit les frais généraux, amélioré la sécurité et permis au client de se concentrer sur le raffinement d'autres aspects du processus de tri. De plus, avec des modèles statistiques avancés maintenant établis, le client pourra développer des analyses supplémentaires sans avoir besoin d'expertise en modélisation.

Grâce à la fusion de la spectroscopie, de la modélisation statistique et de l'architecture d'apprentissage automatique, les intégrateurs de machines de tri et les transformateurs alimentaires peuvent créer des systèmes de tri et de classement plus efficaces.

Écrit par Derek Guenther, scientifique principal des applications, Ocean Optics