Шафрай Антон Валерьевич
Кемерово
Anton V. Shafrai
Kemerovo
Попов Анатолий Михайлович
Кемерово
Anatoliy M. Popov
Kemerovo
Косинов Виталий Сергеевич
Кемерово
Vitaly S. Kosinov
Kemerovo
Резниченко Ирина Юрьевна
Кемерово
Irina Yu. Reznichenko
Kemerovo
Бондарчук Ольга Николаевна
Кемерово
Olga N. Bondarchuk
Kemerovo
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.
Artificial intelligence can be used to monitor production parameters in the food industry. Kissel is a jelly-like fruit or berry starch drink. Instant kissel usually consists of granules. Neural networks may help to control the size of kissel granules. In this research, convolutional neural networks monitored the production parameters of granulated kissel powder by localizing granules in an image.Size is the most important parameter of kissel granules: it should remain between 2 and 5 mm. To detects larger granules (≥ 5 mm), the network was provided with a visual dataset of granules of varying sizes. The localization models were developed using Detectron2.The research yielded a set of optimal operating principles and quality metrics. The R50-FPN model achieved the best results. The AP50 metric had the highest value, followed by AP75 and AP. The models performed well in visual detection and successfully determined the coordinates of the bounding rectangle. The resulting dataset did not label objects for small (APs) and medium (APm) sizes because the study focused on localizing large granules. The APl metric values for all models were high. The approach to AI training and neural network architecture proved optimal for food production control.The trained model made it possible to develop a computer program based on convolutional neural networks that demonstrated good results in detecting large granules in instant kissel powder. The new program can be used in continuous production to monitor the size of finished products and their compliance with process parameters.
The authors declare that there are no conflicts of interest present.