L’imagerie hyperspectrale est une technique utile pour analyser la composition chimique des produits alimentaires et agricoles. Il s’agit cependant d’une procédure coûteuse et compliquée, ce qui limite son application pratique.
Une équipe de chercheurs d’Urbana-Champaign de l’Université de l’Illinois a développé une méthode pour reconstruire des images hyperspectrales à partir d’images RVB standard en utilisant l’apprentissage automatique profond. Cette technique peut grandement simplifier le processus analytique et potentiellement révolutionner l’évaluation des produits dans l’industrie agricole.
« L’imagerie hyperspectrale utilise des équipements coûteux. Si nous pouvons utiliser des images RVB capturées avec un appareil photo ou un smartphone classique, nous pouvons utiliser un appareil portable peu coûteux pour prédire la qualité du produit », a déclaré l’auteur principal, Md Toukir Ahmed.
Ahmed est doctorant au Département de génie agricole et biologique (ABE), qui fait partie du Collège des sciences de l’agriculture, de la consommation et de l’environnement et du Grainger College of Engineering de l’Illinois.
Les chercheurs ont testé leur méthode en analysant la composition chimique des patates douces.
Ils se sont concentrés sur le contenu solide soluble dans une étude (publié dans le Journal d’ingénierie alimentaire) et matière sèche dans un deuxième étude (publié dans Résultats en ingénierie)—caractéristiques importantes qui influencent le goût, la valeur nutritionnelle, la qualité marchande et l’aptitude à la transformation des patates douces.
À l’aide de modèles d’apprentissage profond, ils ont converti les informations des images RVB en images hyperspectrales.
« Avec les images RVB, vous ne pouvez détecter que les attributs visibles tels que la couleur, la forme, la taille et les défauts externes ; vous ne pouvez détecter aucun paramètre chimique. Dans les images RVB, vous avez des longueurs d’onde de 400 à 700 nanomètres et trois canaux : rouge, vert. , et bleu.
« Mais avec les images hyperspectrales, vous disposez de nombreux canaux et longueurs d’onde allant de 700 à 1 000 nm. Avec les méthodes d’apprentissage profond, nous pouvons cartographier et reconstruire cette plage afin de pouvoir désormais détecter les attributs chimiques des images RVB », a déclaré Mohammed Kamruzzaman, professeur adjoint à l’ABE. et auteur correspondant sur les deux articles.
L’imagerie hyperspectrale capture une signature spectrale détaillée à des emplacements spatiaux sur des centaines de bandes étroites, se combinant pour former des hypercubes. En appliquant des algorithmes de pointe basés sur l’apprentissage profond, Kamruzzaman et Ahmed ont pu créer un modèle pour reconstruire les hypercubes à partir d’images RVB afin de fournir les informations pertinentes pour l’analyse du produit.
Ils ont calibré le modèle spectral avec des images hyperspectrales reconstruites de patates douces, atteignant une précision de plus de 70 % dans la prévision de la teneur en solides solubles et une précision de 88 % dans la teneur en matière sèche, marquant une amélioration significative par rapport aux études précédentes.
Dans un troisième articlepublié dans Technologie agricole intelligentel’équipe de recherche a appliqué des méthodes d’apprentissage profond pour reconstruire des images hyperspectrales afin de prédire la mortalité des embryons de poulet, ce qui a des applications pour l’industrie des œufs et des couvoirs. Ils ont exploré différentes techniques et formulé des recommandations pour l’approche la plus précise.
« Nos résultats sont très prometteurs pour révolutionner l’évaluation de la qualité des produits agricoles. En reconstruisant des informations chimiques détaillées à partir de simples images RVB, nous ouvrons de nouvelles possibilités d’analyse abordables et accessibles.
« Bien que des défis subsistent pour adapter cette technologie à un usage industriel, le potentiel de transformation du contrôle qualité dans l’ensemble du secteur agricole en fait une entreprise vraiment passionnante », a conclu Kamruzzaman.
Plus d’informations :
Md Toukir Ahmed et al, Reconstruction d’images hyperspectrales basée sur l’apprentissage profond pour l’évaluation de la qualité des produits agricoles, Journal d’ingénierie alimentaire (2024). DOI : 10.1016/j.jfoodeng.2024.112223
Md Toukir Ahmed et al, Analyse comparative de la reconstruction d’images hyperspectrales par apprentissage profond pour des applications agricoles et biologiques, Résultats en ingénierie (2024). DOI : 10.1016/j.rineng.2024.102623
Md Toukir Ahmed et al, Reconstruction d’images hyperspectrales pour prédire la mortalité des embryons de poulet dans le cadre de l’avancement de l’industrie des œufs et des couvoirs, Technologie agricole intelligente (2024). DOI : 10.1016/j.atech.2024.100533