01/10/2024
Door Ad Spijkers
Een nieuwe beeldvormingstechniek brengt de agrarische sector dichter bij vereenvoudigde, goedkope kwaliteitsbeoordeling van landbouwproducten.
Hyperspectrale beeldvorming is een nuttige techniek voor het analyseren van de chemische samenstelling van voedsel en landbouwproducten. Het is echter een kostbare en ingewikkelde procedure, die de praktische toepassing ervan beperkt.
Een team van onderzoekers van de University of Illinois Urbana-Champaign heeft een methode ontwikkeld om hyperspectrale beelden te reconstrueren uit standaard RGB-beelden met behulp van deep machine learning. Deze techniek kan het analyseproces aanzienlijk vereenvoudigen en potentieel een revolutie teweegbrengen in de productbeoordeling in de landbouwsector.
Deep learning
De onderzoekers testten hun methode door de chemische samenstelling van zoete aardappelen te analyseren. Ze richtten zich in één onderzoek op oplosbare vaste stoffen en in een tweede onderzoek op droge stof — belangrijke kenmerken die de smaak, voedingswaarde, verkoopbaarheid en verwerkingsgeschiktheid van zoete aardappelen beïnvloeden. Met behulp van deep learning-modellen zetten ze de informatie uit RGB-afbeeldingen om in hyperspectrale afbeeldingen.
Met RGB-afbeeldingen zijn alleen zichtbare kenmerken te detecteren, zoals kleur, vorm, grootte en externe defecten. Men kan er geen chemische parameters mee detecteren. RGB-afbeeldingen ontstaan uit golflengten van 400 nm tot 700 nm en drie kanalen — rood, groen en blauw. Met hyperspectrale afbeeldingen zijn er veel kanalen en golflengten van 700 nm tot 1000 nm. Met deep learning-methoden is dat bereik in kaart te brengen en te reconstrueren, zodat nu de chemische kenmerken uit RGB-afbeeldingen zijn te detecteren.
Hyperspectraal
Hyperspectrale beeldvorming legt een gedetailleerde spectrale signatuur vast op ruimtelijke locaties over honderden smalle banden, die samen hyperkubussen vormen. Door geavanceerde deep learning-algoritmen toe te passen, konden de onderzoekers een model maken om de hypercubes te reconstrueren uit RGB-afbeeldingen om de relevante informatie voor productanalyse te leveren.
Ze kalibreerden het spectrale model met gereconstrueerde hyperspectrale afbeeldingen van zoete aardappelen. Hiermee konden ze een nauwkeurigheid van meer dan 70% bereiken bij het voorspellen van het oplosbare vastestofgehalte en een nauwkeurigheid van 88% bij het drogestofgehalte. Dit is een aanzienlijke verbetering ten opzichte van eerdere onderzoeken.
In een derde onderzoek paste het onderzoeksteam deep learning-methoden toe om hyperspectrale afbeeldingen te reconstrueren voor het voorspellen van de sterfte van kippenembryo's, wat toepassingen heeft voor de eier- en broederijsector. Ze onderzochten verschillende technieken en deden aanbevelingen voor de meest nauwkeurige aanpak.
Toepassingen
De resultaten zijn veelbelovend voor het revolutioneren van de kwaliteitsbeoordeling van landbouwproducten. Door gedetailleerde chemische informatie te reconstrueren uit eenvoudige RGB-afbeeldingen, openen de onderzoekers nieuwe mogelijkheden voor betaalbare, toegankelijke analyses. Hoewel er nog steeds uitdagingen zijn bij het opschalen van deze technologie voor industrieel gebruik, is het potentieel om kwaliteitscontrole in de hele landbouwsector te transformeren heel interessant.
De onderzoekers hebben een drietal publicaties geschreven die u hier kunt vinden:
- Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product
- Comparative analysis of hyperspectral Image reconstruction using deep learning for agricultural and biological applications
- Hyperspectral image reconstruction for predicting chick embryo mortality towards advancing egg and hatchery industry
Foto: University of Illinois College of Agricultural, Consumer and Environmental Sciences