ابزارها و رویه‌های پیشرفته و هوشمند مورد استفاده در فرآوری مواد غذایی، می‌توانند در افزایش راندمان فرآیند و حفظ الزامات کیفی محصول نهایی، که اغلب شدید و مرتبط با مسائل بهداشتی هستند، مفید باشند. هوش مصنوعی و الگوهای مختلف آن، از جمله محبوب‌ترین و شیک‌ترین رویکردهایی هستند که می‌توانند، هستند و در فرآوری مواد غذایی مورد استفاده قرار خواهند گرفت.
تاریخچه هوش مصنوعی (AI) در طول ۵۰ سال گذشته فراز و نشیب‌هایی را تجربه کرده است - دوره‌های سودآوری مانند دوره‌های آغازین آن در دهه ۱۹۵۰ تا اوایل دهه ۱۹۷۰، عدم علاقه و نتایج در دهه ۱۹۸۰، و ناامیدی در اوایل دهه ۱۹۹۰ به دلیل عدم تطابق سخت‌افزارهای موجود با نیازهای محاسباتی. با پیشرفت در دیجیتالی شدن کل حوزه‌های اقتصادی و اجتماعی، برنامه‌های تحقیقاتی و نوآوری‌ها افزایش یافته و راه‌حل‌های مبتنی بر هوش مصنوعی امروزه تقریباً در تمام زمینه‌های کاربردی به واقعیت تبدیل شده‌اند.
سیستم‌های خبره در دهه ۱۹۸۰ برای شبیه‌سازی وظایف خاص انسان متخصص طراحی شدند و در زمینه‌های زیادی مانند پزشکی، تولید و غیره به کار گرفته شدند. در دهه ۱۹۹۰، هوش مصنوعی وارد دوران کمال می‌شود که در آن برنامه‌ها شروع به شکست دادن عملکردهای انسانی می‌کنند، با شکست قهرمان شطرنج روسیه، گری کاسپاروف، توسط یک هوش مصنوعی مبتنی بر یک ابرماشین حساب که "آبی عمیق" نامگذاری شده بود، که پیشرفتی در درک و پذیرش هوش مصنوعی توسط انسان در سال ۱۹۹۷ بود.
با گسترش گسترده اینترنت، وب جهانی، موتورهای جستجو و مهم‌تر از همه، فناوری‌های سخت‌افزاری به کارایی بالا و انبارهای داده تقریباً نامتناهی دست یافته‌اند. از آغاز قرن جدید، شاهد انفجار فناوری‌های اطلاعاتی جدید و کاربردهای انقلابی مبتنی بر اکتساب داده‌های نامحدود و ابزارها و الگوهای جدید هوش مصنوعی مانند: تشخیص و طبقه‌بندی تصویر، رنگ‌آمیزی خودکار، زیرنویس خودکار، فهرست‌بندی ویدیو، وسایل نقلیه خودران و غیره.
شبکه‌های عصبی مصنوعی (ANNs) از جمله این ابزارها و الگوها هستند که در این فصل، بررسی جامعی از کاربرد آنها در صنعت فرآوری مواد غذایی بر اساس معروف‌ترین طبقه‌بندی‌ها ارائه شده است. با توجه به توانایی آنها که قبلاً مورد بحث قرار گرفت، به ویژه این واقعیت که می‌توانند هر تابع غیرخطی را تقریب بزنند ، شبکه‌های عصبی مصنوعی (ANNs) تقریباً در هر جنبه‌ای از علوم غذایی در طول دو دهه و نیم گذشته به کار گرفته شده‌اند. با این حال، در مقایسه با سایر زمینه‌های مهندسی، فرآیندهای غذایی هنوز از نظر تعداد کاربردها عقب هستند. دلیل اصلی این است که یادگیری ماشین و ANNها به شدت به مقدار زیادی از داده‌ها متکی هستند و تنها زمانی که انفجار داده‌ها در فرآوری مواد غذایی مدرن رخ می‌دهد، راه‌حل‌ها به روش‌های تجزیه و تحلیل پیچیده‌ای نیاز دارند تا: روابط علی پنهان بین پاسخ‌های تکی یا چندگانه و مجموعه بزرگی از خواص، مدل‌سازی رفتار فرآیند، پیش‌بینی فرآیندها و تکامل مواد غذایی، کنترل پیش‌بین مبتنی بر مدل و غیره را کشف کنند. یکی از جدیدترین مقالاتی که در مورد استفاده از ANN در صنعت مواد غذایی بحث می‌کند، توسط نوشته شده است. هدف از این بررسی، برجسته کردن کاربرد شبکه عصبی مصنوعی در فرآوری مواد غذایی و ارزیابی دامنه استفاده و سازگاری آن با سیستم‌های غذایی مختلف با اشاره به بیش از 50 کاربرد بود.در واقع، در صنایع غذایی، عملیات فرآوری به دلیل روابط نامشخص و پیچیدگی‌های تغییرات شیمیایی و بیولوژیکی که در یک فرآیند خاص به دلیل گرمایش، تخمیر، کهنه شدن و غیره رخ می‌دهد، با مشکلاتی مواجه هستند.
هوانگتال. در سال 2007 ، طبقه‌بندی کاربرد ANN در علوم غذایی را بر اساس پنج متاکلاس ذکر شده در زیر ارائه داد، که در آن هر کلاس مربوط به تعدادی از کاربردها در زمینه‌های مختلف فرآوری مواد غذایی است.
ادراک ماشینی یک زمینه کاربردی امیدوارکننده است زیرا بو، ظاهر (از جمله شکل و رنگ) و گاهی طعم و مزه یک محصول غذایی را در بر می‌گیرد. این ادراک به طور جدی به داده‌های جمع‌آوری‌شده توسط حسگرها و تجزیه و تحلیل حسگرها متکی است.شکل مراحل انجام‌شده در فرآیند تشخیص ادراک ماشینی را با استفاده از ANN به عنوان یک ابزار طبقه‌بندی/مدل‌سازی نشان می‌دهد. بر اساس فرآیند ادراک طبیعی، تشخیص و تصمیم‌گیری، داده‌های جمع‌آوری‌شده از غذا و محصولات مبتنی بر غذا را می‌توان به ترتیب به عنوان بو، طعم یا تصاویر بینایی طبقه‌بندی کرد که به ترتیب به عنوان سیستم‌های ادراک بینایی الکترونیکی، زبان الکترونیکی و بینایی ماشینی شناخته می‌شوند. این سه رویکرد ادراکی در فناوری مواد غذایی با جزئیات بیشتر در ادامه توضیح داده شده‌اند.
بینی الکترونیکی یک سیستم ماشین بویایی است که ابزاری نسبتاً جدید برای تکمیل ارزیابی حسی ارائه می‌دهد. بینی الکترونیکی شبیه‌سازی حس بویایی انسان است و مزایای زیادی نسبت به قابلیت‌های بویایی بیولوژیکی دارد؛ یکی از بارزترین آنها کار در محیط‌های خطرناک و پرخطر است که در آن انسان می‌تواند در معرض آن قرار گیرد. یک سیستم بینی الکترونیکی شامل یک آرایه حسگر، یک پیش‌پردازشگر سیگنال و داده‌ها و یک سیستم تشخیص الگو است. شرح جامعی از بینی الکترونیکی در ارائه شده است، و شرح یک بینی الکترونیکی متصل به ANN در آمده است. قبل از معرفی ANNها به عنوان یک طبقه‌بندی‌کننده در فرآیند ادراک ماشین، تجزیه و تحلیل بو و طعم در غذابه طور سنتی یا توسط یک پنل حسی آموزش‌دیده یا توسط کروماتوگرافی گازی-طیف‌سنجی جرمی فضای فوقانی انجام می‌شد. نویسندگان پیش‌نیاز بینی الکترونیکی را از نظر حسگرها و تجزیه و تحلیل داده‌ها قبل از تغذیه طبقه‌بندی‌کننده شرح می‌دهند. این کتاب کارآمدترین حسگرهای گاز را در ابزارهای بینی الکترونیکی ارائه می‌دهد. اگرچه در آن زمان استفاده از ANN، به ویژه در صنعت مواد غذایی، در مراحل ابتدایی بود، اما این سند به خوبی معنای استفاده از هر نوع ابزار تجزیه و تحلیل داده در بینی الکترونیکی را شرح می‌دهد. سپس می‌توان از شبکه‌های عصبی مصنوعی (ANNs) به عنوان هسته اصلی سیستم تشخیص الگو یا مدل‌سازی استفاده کرد. اصل بینی الکترونیکی به اشکال مختلف توسعه یافته و در زمینه‌های مختلفی از جمله طبقه‌بندی و تجزیه و تحلیل کیفیت، عمدتاً برای محصولات مختلف مانند میوه‌ها و سبزیجات، گوشت و ماهی، لبنیات، روغن، غلات، نوشیدنی‌ها و غیره و اساساً برای محصولاتی با بوی نسبتاً قوی، به کار گرفته شده است. هوانگ و همکارانش، بیش از 38 کاربرد را با استفاده از این رویکرد ذکر کرده‌اند. اخیراً، در سال 2014 بیش از 60 کاربرد بینی الکترونیکی با استفاده از شبکه‌های عصبی مصنوعی را گزارش کرده است.
مشابه بینی الکترونیکی، زبان الکترونیکی بر طعم‌ها و مزه‌های غذا تمرکز دارد. زبان انسان شامل حسگرهایی به شکل 10000 جوانه چشایی از 50 تا 100 سلول چشایی برای ترش، شیرین، تلخ، شور و اومامی است. همچنین به حسگرهای طعم و مزه متکی است که اطلاعات را برای پنج طعم ذکر شده جمع‌آوری می‌کنند و به دنبال آن یک مرحله پردازش و تجزیه و تحلیل که می‌تواند مبتنی بر شبکه‌های عصبی مصنوعی باشد، انجام می‌شود. زبان الکترونیکی قصد دارد غذاها و نوشیدنی‌های جامد را بر اساس فناوری‌های حسگر که به مدیریت کیفیت کمک زیادی می‌کنند، تشخیص داده و تجزیه و تحلیل کند. تاهارا و توکو مروری جامع بر تحولات زبان الکترونیکی و مسائل مربوط به حسگرها ارائه می‌دهند. از سوی دیگر، بیش از 40 کاربرد را با استفاده از شبکه‌های عصبی مصنوعی به عنوان طبقه‌بندی کننده در رویکرد زبان الکترونیکی شرح می‌دهد. بیش از 10 کاربرد با استفاده از بینی الکترونیکی برای بهبود کیفیت غذا و ارزیابی محصولات مختلف مانند آبجو، شراب، چای، شیر، روغن پخت و پز، میوه‌ها و سبزیجات و گوشت و ماهی. جمال و همکاران، در سال 2009 بر کاربردهای زبان الکترونیکی با استفاده دقیق از شبکه‌های عصبی مصنوعی تمرکز کردند و بیش از 12 کاربرد را شرح دادند.
اخیراً، پیشرفت‌های اخیر در زبان الکترونیکی در ارائه شده است. نویسندگان خلاصه‌ای از زبان‌های بیوالکترونیکی شامل انواع مولکول‌های زیستی، بخش مبدل، جزء تشخیص بیولوژیکی و مولکول‌های هدف ارائه می‌دهند که در آن تنها دو کاربرد با استفاده از شبکه‌های عصبی مصنوعی ارائه شده است. اسلیوینسکا و همکاران، در سال 2014 ، بر جنبه وسیع‌تری از تجزیه و تحلیل مواد غذایی با استفاده از حواس مصنوعی (عمدتاً بویایی و چشایی) تمرکز کردند و سه کاربرد زبان الکترونیکی را با استفاده از شبکه‌های عصبی مصنوعی گزارش کردند. وینکوئیست و همکاران، در سال 1998، تازگی شیر را با استفاده از رویکرد زبان الکترونیکی بررسی کردند. به طور مستقل، برای ارجاع به کاربردهای ذکر شده در بررسی‌های فوق، نویسنده بیش از 25 کاربرد گزارش شده از زبان الکترونیکی با استفاده از شبکه‌های عصبی مصنوعی را یافته است که در بخش‌های بعدی خلاصه خواهند شد.
سیستم‌های بینایی ماشین در کاربردهای فرآوری مواد غذایی، مشابه بینایی ماشین در زمینه‌های دیگر مانند تشخیص چهره و اثر انگشت در بیومتریک مانند یکی از معروف‌ترین سیستم‌های تشخیص چهره "گوگل فیس" است.
در حوزه علوم غذایی، سیستم‌های بینایی ماشین وظایف مربوط به کنترل کیفیت بصری را انجام می‌دهند تا جایگزین بازرسان انسانی در محیط‌های خطرناک و ظریف شوند، خطاهای بازرسی را کاهش داده و کارایی تشخیص، طبقه‌بندی و انتخاب را افزایش دهند. یک سیستم بینایی ماشین را می‌توان به سه بخش مجزا تقسیم کرد:
بخش اخذ تصویر، که معمولاً از یک دوربین، یک بخش پردازش تصویر و یک بخش تشخیص الگو تشکیل شده است؛سیستم تشخیص الگو ممکن است بر اساس یک شبکه عصبی مصنوعی (ANN) و اخیراً شبکه‌های عصبی مصنوعی عمیق، که دقیقاً شبکه‌های عصبی کانولوشن (CNN) هستند، باشد. طبقه‌بندی، خوشه‌بندی، تشخیص و پیش‌بینی یک تصویر غذایی مشخص، ابتدا نیاز به استخراج ویژگی‌های تصویر با استفاده از ابزارهای ریاضی زیادی برای کاهش بافت و داده مانند PCA (تحلیل مؤلفه‌های اصلی) دارد. در مورد شبکه‌های عصبی کانولوشن (CNN)، مرحله استخراج در چند لایه اول شبکه انجام می‌شود.
در مورد بینی الکترونیکی و زبان الکترونیکی، این فرآیند تشخیص الگو نامیده می‌شود و شبکه‌های عصبی مصنوعی یکی از محبوب‌ترین ابزارها برای کار مربوط به بینایی ماشین در کاربردهای غذایی هستند. یک مثال کتابی از نحوه‌ی اعمال بینایی ماشین در تجزیه و تحلیل مواد غذایی در کار دینگ و گوناسکاران (1994) ارائه شده است که در آن یک سیستم انتخاب کتاب درسی از دانه‌های ذرت، بادام و کراکرهای حیوانی آسیب‌دیده و آسیب‌ندیده بر اساس بینایی ماشین در مراحل زیر شرح داده شده است:
– ابتدا، ۱۴۴ تصویر دیجیتال از دانه‌های ذرت، بادام و کراکرهای حیوانی آسیب‌دیده و آسیب‌ندیده به دست می‌آیند.
– سپس ویژگی‌های تصویر استخراج می‌شوند. میانگین شکل مرجع برای اشیاء آسیب‌ندیده ساخته می‌شود.
– سپس شکل شیء بررسی‌شده با یک شکل مرجع داده‌شده مقایسه می‌شود. تفاوت ارزیابی‌شده یا محاسبه‌شده حاصل، با استفاده از برخی رویکردهای شباهت و فاصله، به عنوان یک بردار ورودی برای طبقه‌بندی‌کننده ANN استفاده می‌شود.
نتایج نشان داد که با استفاده از شبکه عصبی مصنوعی برای تشخیص الگو، دقت طبقه‌بندی تا 98٪ حاصل شد.
دیویس در سال 2009 بررسی گسترده‌تری از کاربرد بینایی ماشین در صنایع غذایی و کشاورزی ارائه می‌دهد. بیش از 60 کاربرد گزارش شده و بسیاری از بررسی‌ها و کتاب‌های متنی در مورد سیستم‌های بینایی ماشین پیشرفته در صنایع غذایی به آنها اشاره شده است، که در آن فقط دو کاربرد از شبکه‌های عصبی مصنوعی استفاده کرده‌اند. بررسی قبلی از سان (2006)(du and sun، عمدتاً بر کاربردهای یادگیری آماری برای طبقه‌بندی محصولات غذایی بینایی ماشین با بیش از 30 کاربرد گزارش شده تمرکز دارد. سایر تکنیک‌های یادگیری ماشین برای ارزیابی کیفیت مواد غذایی با استفاده از بینایی کامپیوتر (منطق فازی، درخت تصمیم‌گیری و الگوریتم‌های ژنتیک) با بیش از 20 کاربرد ارائه شده‌اند. در نهایت، شبکه‌های عصبی مصنوعی از یک منظر مورد بحث قرار گرفته‌اند و تنها 10 کاربرد گزارش شده ارائه شده است.
⇑
Copyright by Foodemy™
All right reserved
Designed by AHRS™
