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 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.
Sie konzentrierten sich auf den löslichen Feststoffgehalt in eine Studie (veröffentlicht in der Zeitschrift für Lebensmitteltechnik) und Trockenmasse in a zweite Studie (veröffentlicht in Ergebnisse im Ingenieurwesen) – wichtige Merkmale, die den Geschmack, den Nährwert, die Marktfähigkeit und die Verarbeitungseignung von Süßkartoffeln beeinflussen.
Mithilfe von Deep-Learning-Modellen wandelten sie die Informationen aus RGB-Bildern in hyperspektrale Bilder um.
„Mit RGB-Bildern können Sie nur sichtbare Attribute wie Farbe, Form, Größe und äußere Defekte erkennen; Sie können keine chemischen Parameter erkennen. In RGB-Bildern haben Sie Wellenlängen von 400 bis 700 Nanometern und drei Kanäle – Rot, Grün.“ , und blau.
„Aber bei hyperspektralen Bildern gibt es viele Kanäle und Wellenlängen von 700 bis 1.000 nm. Mit Deep-Learning-Methoden können wir diesen Bereich abbilden und rekonstruieren, sodass wir jetzt die chemischen Eigenschaften aus RGB-Bildern erkennen können“, sagte Mohammed Kamruzzaman, Assistenzprofessor am ABE und korrespondierender Autor beider Arbeiten.
Hyperspektrale Bildgebung erfasst eine detaillierte spektrale Signatur an räumlichen Orten über Hunderte von schmalen Bändern, die sich zu Hyperwürfeln verbinden. Durch die Anwendung modernster Deep-Learning-basierter Algorithmen konnten Kamruzzaman und Ahmed ein Modell erstellen, um die Hyperwürfel aus RGB-Bildern zu rekonstruieren und die relevanten 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 löslichen Feststoffgehalts und eine Genauigkeit von 88 % beim Trockenmassegehalt, was eine deutliche Verbesserung gegenüber früheren Studien darstellt.
In einem drittes Papierveröffentlicht in Intelligente AgrartechnologieDas Forschungsteam wandte Deep-Learning-Methoden an, um hyperspektrale Bilder zur Vorhersage der Sterblichkeit von Kükenembryonen zu rekonstruieren, was Anwendungsmöglichkeiten für die Eier- und Brütereiindustrie bietet. Sie untersuchten verschiedene Techniken und gaben Empfehlungen für den genauesten 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 erschwingliche und zugängliche Analysen.“
„Während die Skalierung dieser Technologie für den industriellen Einsatz weiterhin Herausforderungen mit sich bringt, macht das Potenzial, die Qualitätskontrolle im gesamten Agrarsektor zu transformieren, dies zu einem wirklich spannenden Unterfangen“, schloss Kamruzzaman.
Weitere Informationen:
Md Toukir Ahmed et al., Deep-Learning-basierte hyperspektrale Bildrekonstruktion zur Qualitätsbewertung von Agrarprodukten, Zeitschrift für Lebensmitteltechnik (2024). DOI: 10.1016/j.jfoodeng.2024.112223
Md Toukir Ahmed et al., Vergleichende Analyse der hyperspektralen Bildrekonstruktion mithilfe von Deep Learning für landwirtschaftliche und biologische Anwendungen, Ergebnisse im Ingenieurwesen (2024). DOI: 10.1016/j.rineng.2024.102623
Md Toukir Ahmed et al., Hyperspektrale Bildrekonstruktion zur Vorhersage der Sterblichkeit von Kükenembryonen im Hinblick auf die Weiterentwicklung der Eier- und Brütereiindustrie, Intelligente Agrartechnologie (2024). DOI: 10.1016/j.atech.2024.100533