Определение товарного сорта ягод вишни с использованием сверточных нейронных сетей

Ручной контроль качества плодово-ягодного сырья на этапе приемки остается одной из ключевых задач пищевой промышленности. Существующие методы визуальной оценки субъективны, трудоемки и зависят от квалификации оператора, что ограничивает их эффективность в условиях современного производства. Цель исследования – применить модели сверточных нейронных сетей семейства YOLO для классификации ягод вишни по товарным сортам на этапе приемки сырья. Объект исследования – ягоды вишни культурных сортов (Prunus subg. Cerasus), собранные в Кемеровской области в 2024 г. (Россия). Исследование выполнено на базе ООО «НПО Здоровое питание» (Кемерово, Россия). Собраны и размечены изображения четырех категорий качества. Проведено сравнение пяти моделей YOLO (YOLOv8m, YOLOv9m, YOLO11m, YOLO12m, YOLO26m) и трех вариантов архитектуры YOLO12 по размеру. Для выбранной модели YOLO12m оптимизированы гиперпараметры: сравнивались восемь оптимизаторов, четыре значения размера батча и пять значений коэффициента регуляризации Dropout.
Установлено, что наилучшую точность показала модель среднего размера YOLO12. Среди оптимизаторов наивысшие метрики зафиксированы для SGD. Определен оптимальный размер обучающего пакета; изменение параметра Dropout не оказало заметного влияния на результаты. Увеличение числа эпох финального обучения повысило качество распознавания по всем четырем категориям. Работоспособность модели подтверждена на производственной выборке. На основе модели разработан прототип программы с графическим интерфейсом для загрузки изображений, визуализации детекции и формирования отчета.Результаты подтверждают пригодность моделей YOLO для автоматизации входного контроля качества ягод вишни, обес- печивая объективный и воспроизводимый анализ взамен субъективной ручной оценки, и создают основу для внедрения промышленных систем контроля качества.

1. Шафрай А. В., Попов А. М., Косинов В. С., Резниченко И. Ю., Бондарчук О. Н. Применение сверточных ней- ронных сетей для контроля показателей технологического потока производства гранулированных киселей. Техника и технология пищевых производств. 2025. Т. 55. № 4. С. 845–855. https://doi.org/10.21603/2074-9414-2025-4-2613

2. Daiaeddine MJ, Badrouss S, El Harti A, Bachaoui EM, Biniz M, et al. UAV imagery, advanced deep learning, and YOLOv7 object detection model in enhancing citrus yield estimation. Foods and Raw Materials. 2025;13(2):242–253. https://doi.org/10.21603/2308-4057-2025-2-650

3. Yavuzer E, Köse M, Uslu H. Determining the quality level of ready to-eat stuffed mussels with Arduino-based electronic nose. Journal of Food Measurement and Characterization. 2024;18:5629–5637. https://doi.org/10.1007/s11694-024-02593-9

4. Wijaya DR, Syarwan NF, Nugraha MA, Ananda D, Fahrudin T, et al. Seafood quality detection using electronic nose and machine learning algorithms with hyperparameter optimization. IEEE Access. 2023;11:62484–62495. https://doi.org/ 10.1109/ACCESS.2023.3286980

5. Zlobin I, Sinelnikov A, Toroptsev N, Titov K, Antoshkina E, et al. Metal–organic frameworks at the tip of the e-tongue: Machine learning-driven disposable electrochemical sensors. Journal of Materials Chemistry C. 2025;13(23):11776–11788. https://doi.org/10.1039/D5TC00965K

6. Anisimov DS, Abramov AA, Gaidarzhi VP, Kaplun DS, Agina EV, et al. Food freshness measurements and product distinguishing by a portable electronic nose based on organic field-effect transistors. ACS Omega. 2023;8(5):4649–4654. https:// doi.org/10.1021/acsomega.2c06386

7. Shuba A, Umarkhanov R, Bogdanova E, Anokhina E, Burakova I. Possibilities of an electronic nose on piezoelectric sensors with polycomposite coatings to investigate the microbiological indicators of milk. Sensors. 2024;24(11):3634. https://doi.org/10.3390/s24113634

8. Fedorov FS, Yaqin A, Krasnikov DV, Kondrashov VA, Ovchinnikov G, et al. Detecting cooking state of grilled chicken by electronic nose and computer vision techniques. Food Chemistry. 2021;345:128747. https://doi.org/10.1016/j.food-chem.2020.128747

9. Wu X, Xu B, Ma R, Niu Y, Gao S, et al. Identification and quantification of adulterated honey by Raman spectroscopy combined with convolutional neural network and chemometrics. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2022;274(1):121133. https://doi.org/10.1016/j.saa.2022.121133

10. Lanjewar MG, Asolkar S, Parab JS, Morajkar PP. Detecting starch-adulterated turmeric using Vis-NIR spectroscopy and multispectral imaging with machine learning. Journal of Food Composition and Analysis. 2024;136:106700. https://doi.org/10.1016/j.jfca.2024.106700

11. Saha D, Senthilkumar T, Singh CHB, Manickavasagan A. Quantitative detection of metanil yellow adulteration in chickpea flour using line-scan near-infrared hyperspectral imaging with partial least square regression and one-dimensional convolutional neural network. Journal of Food Composition and Analysis. 2023;120:105290. https://doi.org/10.1016/j.jfca.2023.105290

12. Belugina R, Senchikhina A, Volkov S, Fedorov A, Legin A, et al. Quantification of phosphatides in sunflower oils using a potentiometric e-tongue. Analytical Methods. 2022;14(32):3064–3070. https://doi.org/10.1039/D2AY00736C

13. Sánchez CN, Orvañanos-Guerrero MT, Domínguez-Soberanes JU, Álvarez-Cisneros YEM. Analysis of beef quality according to color changes using computer vision and white-box machine learning techniques. Heliyon. 2023;9(7):e17976. https://doi.org/10.1016/j.heliyon.2023.e17976

14. Huang W, Wang X, Zhang JU, Xia J, Zhang X. Improvement of blueberry freshness prediction based on machine learning and multi-source sensing in the cold chain logistics. Food Control. 2023;145:109496. https://doi.org/10.1016/j.food-cont.2022.109496

15. Anwar H, Anwar T, Murtaza SH. Review on food quality assessment using machine learning and electronic nose system. Biosensors and Bioelectronics. 2023;14:100365. https://doi.org/10.1016/j.biosx.2023.100365

16. Ксенофонтов В. В. Нейронные сети. Проблемы науки. 2020. № 11. С. 28–29. [Ksenofontov VV. Neural networks. Problems of Science. 2020;(11):28–29. (In Russ.)] https://elibrary.ru/DTVJNS

17. Sapkota R, Flores-Calero M, Qureshi R, Badgujar CH, Nepal U. YOLO advances to its genesis: A decadal and comprehensive review of the You Only Look Once (YOLO) series. Artificial Intelligence Review. 2025;58(9):274. https://doi.org/10.1007/s10462-025-11253-3

18. Mirzaei B, Nezamabadi-Pour H, Raoof A, Derakhshani R. Small object detection and tracking: A comprehensive review. Sensors. 2023;23(15):6887. https://doi.org/10.3390/s23156887