Технологические решения интеллектуальной обработки данных в пищевой промышленности
Аннотация
Статья посвящена возможностям применения искусственных нейронных сетей (ИНС), которые представляют собой математическую модель, а также ее программное или аппаратное воплощение, построенную по принципу организации и функционирования сетей нервных клеток живого организма. Сверточные нейронные сети устроены наподобие зрительной коры головного мозга и достигли большого успеха в распознавании изображений, они умеют концентрироваться на небольшой области и выделять в ней важные особенности. Отмечено широкое использование ИНС в медицине для оценки рентгенограмм, уровня артериального давления и индекса массы тела пациентов по анализу их сетчатки. Перспективным является применение ИНС в пищевой промышленности для осуществления входного контроля качества сырья. В мировой практике применяют разные методы дистанционного контроля сырья, для этого в основном используют приборы на основе ультразвукового сканирования. Такие приборы и системы анализа осуществляют контроль сырья по соотношению тканей мяса (мышечной, соединительной, жировой) в туше или полутуше, не затрагивая структуру тканей, не проводят оценку качества на клеточном (микроструктурном) уровне. Установлено, что структура мышечной ткани (диаметр мышечных волокон, сохранность клеточных элементов, порозность ткани, целостность мышечных волокон) отражает качество сырья, его термическое состояние. Начата работа по созданию экспертной системы контроля качества мясного сырья на микроструктурном уровне с использованием современных интеллектуальных технологий (ИНС) и компьютерного зрения. Данное направление является актуальным и социально-значимым в развитии мясной промышленности, так как позволит существенно ускорить процесс анализа качества мясного сырья в исследовательских лабораториях мясоперерабатывающих предприятий и испытательных центрах и повысить объективность получаемых результатов.
Об авторах
М. А. Никитина
ФНЦ пищевых систем им. В.М. Горбатова РАН
к.т.н., доцент, ведущий научный сотрудник, Руководитель направления Информационные технологии Центра Экономико-аналитических исследований и информационных технологий, ул. Талалихина, 26, г. Москва, 109316, Россия
к.т.н., доцент, ведущий научный сотрудник, Руководитель направления Информационные технологии Центра Экономико-аналитических исследований и информационных технологий, ул. Талалихина, 26, г. Москва, 109316, Россия
В. А. Пчелкина
ФНЦ пищевых систем им. В.М. Горбатова РАН
к.т.н., ведущий научный сотрудник, Экспериментальная клиника-лаборатория биологически активных веществ животного происхождения, ул. Талалихина, 26, г. Москва, 109316, Россия
к.т.н., ведущий научный сотрудник, Экспериментальная клиника-лаборатория биологически активных веществ животного происхождения, ул. Талалихина, 26, г. Москва, 109316, Россия
О. А. Кузнецова
ФНЦ пищевых систем им. В.М. Горбатова РАН
д.т.н., врио директора, ул. Талалихина, 26, г. Москва, 109316, Россия
д.т.н., врио директора, ул. Талалихина, 26, г. Москва, 109316, Россия
Список литературы
1. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности //Автоматы. 1956. С. 363–384.
2. Le Cun Y., Ranzato M. DeepLearning. Tutorial ICML, Atlanta, 2013. URL: http: //www.cs.nyu.edu/~yann/talks/lecun-ranzato-icml2013.pdf
3. Bone X-Ray Deep Learning Competition. URL: https://stanfordmlgroup.github.io/competitions/mura.
4. Poplin R., Varadarajan A.V., Blumer K., Liu Y. et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning // Nature Biomedical Engineering volume. 2018. № 2. P. 158–164. DOI: 10.1038/s41551–018–0195–0.
5. Chinese farmers are using AItohelprear the world’s biggest pig population. URL: https://www.theverge.com.
6. Deng J., Dong W., Socher R., Li L. – J. et al. A large-scale hierarchical image database // Computer Vision and Pattern Recognition. CVPR 2009. IEEEConferenceon. 2009. P. 248–255.
7. Hannun A., Case C., Casper J., Catanzaro B. et al. Deepspeech: Scalingupend-to-endspeechrecognition. arXivpreprintarXir. 2014.
8. Rajpurkar P., Zhang J., Lopyrev K., Liang P. Squad:100,000+ questions for machine comprehension of text. arXiv preprint arXiv. 2016.
9. Gulshan V., Peng L., Coram M., Stumpe M.C. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // Jama. 2016. № 316(22). P. 2402–2410.
10. Esteva A., Kuprel B., Novoa R.A., Ko J. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. № 542(7639). P. 115–118.
11. Rajpurkar P., Hannun A.Y., Haghpanahi M., Bourn C. et al. Cardiologist-level arrhythmia detection with convolutional neural networks. arXiv preprint arXiv. 2017.
12. Grewal M., Srivastava M.M., Kumar P., Varadarajan S. Radnet: Radiologist level accuracy using deep learning for hemorrhage detection in ct scans. arXiv preprint arXiv. 2017.
13. Rajpurkar P., Irvin J., Zhu K., Yang B. et al. Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint arXiv. 2017.
14. Gale W., Oakden-Rayner L., Carneiro G., Bradley A.P. et al. Detecting hip fractures with radiologist-level performance using deep neuralnetworks/ arXiv e-prints. 2017.
15. Wang X., Peng Y., Lu L., Lu Z. et al. Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. arXiv preprint arXiv. 2017.
16. Пляшечник П.И., Глебочев С.Н., Шихов С.С. Сырье под контролем // Мясная индустрия. 2015. № 1. С. 37–39.
17. The Best & Donovan Acra-Grade System. Operation and Maintenance Manual. Revision 4. URL: http://www.bestand-donovan.com/acragrademanual.html#overview.
18. AutoFom III. Fully Automatic Ultrasonic Carcass Grading. Available at: http://www.carometec.com/products/item/autoform-III.
19. Kutsky J.A., Savell J.W., Johnson D.D., Smith G.C. et al. Predicting cutability of pork carcasses and hams using the Hennessy and Chong Fat Depth Indicator // Meat science. 1984. № 11. P. 13–26.
20. Listrat A., Lebret B., Louveau I. et al. How Muscle Structure and Composition Influence Meat and Flesh Quality // The Scientific World Journal. 2016. P. 3182746. DOI: 10.1155/2016/3182746
21. Enikel D. Structure of muscle and meat quality //Fleischwirtschaft. 1987. № 4. P. 461–465.
22. Bendall I.R., Swatland H.J. A review of the relationships of pH with physical aspects of quality // Meat Science. 1988. № 2(24). P. 85–126.
23. Hvilia S.I. Comparative electronic histochemical analysis of meat with DFD and PSE defects //Technologija mesa. 1999. № 1(40). P. 13–16.
Рецензия
Для цитирования:
Никитина М.А., Пчелкина В.А., Кузнецова О.А. Технологические решения интеллектуальной обработки данных в пищевой промышленности. Вестник Воронежского государственного университета инженерных технологий. 2018;80(2):256-263. https://doi.org/10.20914/2310-1202-2018-2-256-263
For citation:
Nikitina M.A., Pchelkina V.A., Kuznetsova O.A. Technological solutions for intelligent data processing in the food industry. Proceedings of the Voronezh State University of Engineering Technologies. 2018;80(2):256-263. (In Russ.) https://doi.org/10.20914/2310-1202-2018-2-256-263
Просмотров: 411
Послать статью по эл. почте 
Оставить комментарий 
