Neue Bildgebungstechnik ebnet den Weg für eine vereinfachte und kostengünstige Beurteilung der landwirtschaftlichen Qualität

Hyperspektrale Bildgebung ist eine nützliche Technik zur Analyse der chemischen Zusammensetzung von Lebensmitteln und landwirtschaftlichen Produkten. Allerdings handelt es sich um ein kostspieliges und kompliziertes Verfahren, das seine praktische Anwendbarkeit einschränkt.

Ein Team von Forschern der University of Illinois Urbana-Champaign hat eine Methode entwickelt, um hyperspektrale Bilder aus Standard-RGB-Bildern mithilfe von Deep Machine Learning zu rekonstruieren. Diese Technik kann den Analyseprozess erheblich vereinfachen und möglicherweise die Produktbewertung in der Agrarindustrie revolutionieren.

„Hyperspektrale Bildgebung erfordert teure Ausrüstung. Wenn wir RGB-Bilder verwenden können, die mit einer normalen Kamera oder einem Smartphone aufgenommen wurden, können wir ein kostengünstiges Handgerät verwenden, um die Produktqualität vorherzusagen“, sagte der Hauptautor, Md Toukir Ahmed.

Ahmed ist Doktorand am Department of Agricultural and Biological Engineering (ABE), Teil des College of Agricultural, Consumer and Environmental Sciences und des Grainger College of Engineering in Illinois.

Die Forscher testeten ihre Methode, indem sie die chemische Zusammensetzung von Süßkartoffeln analysierten.

In einer Studie konzentrierten sie sich auf den Gehalt an löslichen Feststoffen (veröffentlicht im Zeitschrift für Lebensmitteltechnik) und Trockenmasse in einer zweiten Studie (veröffentlicht in Technische Ergebnisse) – wichtige Eigenschaften, die den Geschmack, den Nährwert, die Marktfähigkeit und die Verarbeitbarkeit von Süßkartoffeln beeinflussen.

Mithilfe von Deep-Learning-Modellen wandelten sie Informationen aus RGB-Bildern in hyperspektrale Bilder um.

„Mit RGB-Bildern können Sie nur sichtbare Attribute wie Farbe, Form, Größe und äußere Mängel erkennen; Sie können keine chemischen Parameter erkennen. In RGB-Bildern gibt es Wellenlängen von 400 bis 700 Nanometern und drei Kanäle: Rot, Grün. , und blau.

„Aber bei hyperspektralen Bildern gibt es viele Kanäle und Wellenlängen im Bereich von 700 bis 1.000 nm. Mit Deep-Learning-Methoden können wir diesen Bereich abbilden und rekonstruieren, sodass wir nun die chemischen Eigenschaften der RVB-Bilder erkennen können“, sagte Mohammed Kamruzzaman, Assistenzprofessor an der ABE. und korrespondierender Autor beider Artikel.

Hyperspektrale Bildgebung erfasst eine detaillierte spektrale Signatur an räumlichen Orten über Hunderte von schmalen Bändern und verbindet sich zu Hyperwürfeln. Durch die Anwendung modernster, auf Deep Learning basierender Algorithmen konnten Kamruzzaman und Ahmed ein Modell zur Rekonstruktion von Hyperwürfeln aus RGB-Bildern erstellen, um relevante Informationen für die Produktanalyse bereitzustellen.

Sie kalibrierten das Spektralmodell mit rekonstruierten hyperspektralen Bildern von Süßkartoffeln und erreichten eine Genauigkeit von über 70 % bei der Vorhersage des Gehalts an löslichen Feststoffen und eine Genauigkeit von 88 % beim Trockenmassegehalt, was eine deutliche Verbesserung im Vergleich zu früheren Studien darstellt.

In einem dritten Artikel, veröffentlicht in Intelligente AgrartechnologieDas Forschungsteam wandte Deep-Learning-Methoden an, um hyperspektrale Bilder zu rekonstruieren, um die Sterblichkeit von Hühnerembryonen vorherzusagen, was Anwendungsmöglichkeiten für die Eier- und Brütereiindustrie bietet. Sie untersuchten verschiedene Techniken und gaben Empfehlungen für den präzisesten Ansatz.

„Unsere Ergebnisse sind vielversprechend, um die Qualitätsbewertung landwirtschaftlicher Produkte zu revolutionieren. Durch die Rekonstruktion detaillierter chemischer Informationen aus einfachen RGB-Bildern eröffnen wir neue Möglichkeiten für kostengünstige und zugängliche Analysen.

„Während die Anpassung dieser Technologie an den industriellen Einsatz weiterhin Herausforderungen mit sich bringt, macht das Potenzial, die Qualitätskontrolle im gesamten Agrarsektor zu verändern, dies zu einem wirklich spannenden Unterfangen“, schloss Kamruzzaman.