Оренбургский государственный университет

Новый информационный проект инициативной творческой группы студентов ОГУ «Просто наука» призван объяснить максимально доступным языком сложные исследования ученых.

В дальнейшем проект предполагает серию материалов об открытиях ученых ОГУ, созданных в разных жанрах, наиболее понятных молодым: текстовое интервью, инфографика, комикс, видеоинтервью и аудиоподкаст. Первый материал цикла публикаций посвящен исследованию качества муки с помощью новейших компьютерных технологий.

Доцент кафедры технологии пищевых производств ОГУ Виталий Федотов предложил методику определения качества зерна с помощью современных разработок в области искусственного интеллекта — искусственных нейронных сетей. Ученый рассказал нам о своих наработках.

Качество муки определяют по форме зерна

— С каждым годом растет население планеты и количество потребляемой пищи, но качество сырья и производимых из него продуктов питания снижается. Уже традиционным стало использование в производстве хлеба не муки, а мучных смесей с комплексом улучшителей. А в макаронном производстве, в связи с дефицитом твердых сортов пшеницы, используют муку из менее пригодных для макаронных изделий мягких сортов.

— Как повысить качество хлеба и макарон?

— Качество пшеницы зависит от множества биологических и климатических факторов. Отсюда нестабильное качество хлебобулочных, макаронных, кондитерских изделий. Чтобы повысить его, необходимо более гибкое управление самой технологией производства. А это возможно лишь при максимально точной оценке хлебопекарных и макаронных достоинств зернового сырья. Прогнозирование качества продукции весьма трудная задача. Современные информационные технологии могут ее существенно упростить.

— Как сейчас оценивают зерно?

— В России оценку зерна проводят по ГОСТ, используя для этого в том числе ситовой анализ, однако не позволяющий достаточно точно оценивать качество зерна и муки, а также прогнозировать качество хлеба, макаронных и кондитерских изделий. Алгоритмы компьютерного зрения и искусственные нейронные сети используют, как правило, только, чтобы отделять полноценное зерно от дефектного.

В России нет точных методов и приборов для определения твердозерности муки, а в США есть, потому что у нас мука оценивается до сих пор по количеству клейковины, а там по твердозерности. Российские промышленные данные клейковины мало того, что не точные, западным покупателям зерна вообще ничего не говорят, они их не понимают. А наши научные разработки помогут унифицировать требования.

— А как вообще оценивают твердозерность?

— Официально утвержденное оборудование в США, Канаде и других странах является прибор Perten Instruments SKCS 4100. Он проводит измерения без нейронных сетей, но это не недостаток, они в этом методе просто и не нужны. Устройство взвешивает, затем методом давления постепенно разрушает зерно. Информация каждого этапа обрабатывается, и пользователь получает значения веса, размера, содержания влаги и информацию о твердости каждого отдельного зерна. Средний индекс твердозерности рассчитывается в результате анализа около 300 зерен.

Наиболее близким методом оценки твердости, доступным в нашей стране, является определение его микротвердомером. На зерновку производится вдавливание фиксированной нагрузкой квадратной пирамидкой, оставляющий соответствующий след. Размеры следа измеряют с помощью микроскопа, затем пересчитывают по специальным таблицам на так называемое «число твердости» — отношение силы нагрузки к площади следа. Но этот метод очень и очень трудоемок, и в действующем оборудовании не используется. В итоге — в нашей стране — все ограничивается ситовым анализом муки, твердость зерна напрямую не определяется.

Нейросети всем в помощь

— Давайте теперь поговорим о нейросетях.

— Искусственные нейронные сети (ИНС) — аналог нервной системы животного, имитация работы головного мозга в компьютерном железе. ИНС способны к избирательному запоминанию, обучению, самообучению. Последние 10-20 лет ИНС широко используются в разных сферах деятельности. В экономике это автоматическая купля-продажа валют. В медицине это возможности постановки диагноза и общий анализ крови. В системах безопасности: поиск ключевых слов в телефонных разговорах; слежение камерами за подозрительными пассажирами в аэропортах; распознавание номера автомобиля и отправка квитанции со штрафом. В логистике — поиск оптимальных путей проезда с учетом пробок и загруженности улиц. В системах ввода и обработки информации — смартфоны могут распознавать речевые команды и так далее.

— Какие научные разработки по вашей теме уже существуют?

— Существует промышленное устройство Grain Check, в котором нейронные сети определяют состав зерновой массы из зерен различных культур. В МГТУ имени Баумана разработали устройство «ГИУ-1», позволяющее оценивать гранулометрический состав муки: измерять площадь и морфологические характеристики отдельных частиц. Питерский анализатор частиц PartAn 3001 L (ООО «Наноимпэкс») служит этой же цели. В Алтайском государственном техническом университете разработаны методики определения стекловидности и засоренности зерна с использованием искусственных нейронных сетей.

Основная идея во всех этих научных разработках — получение изображений частиц (зерна, крупы, муки) цифровыми камерами и обработка изображений современными информационными средствами. Для этого используются алгоритмы компьютерного зрения, что позволяет получить много полезной информации о размерах и форме частиц продукта и может быть использовано в дальнейшем для оценки качества этого продукта.

— Что вы предложили науке?

— Поскольку я программист по базовому образованию, а дальше занимался пищевыми продуктами, то мне удалость совместить интересы. Я разработал программу, использующую искусственный интеллект и позволяющую компьютерным зрением описывать частицы муки, систематизировать их, на основе чего давать рекомендации по ее оптимальному использованию — для производства хлеба, либо макаронных, либо кондитерских изделий. Кроме того, программа может прогнозировать качество продукции и предлагать оптимальные технологические режимы производства для получения изделий с максимально возможным из данного сырья качеством. Программа основывается на методе фрактографического анализа. Фрактография помогает по характеру изломов материала, поверхности разрушений делать выводы о материале. За фрактографический анализ мы уже получили четыре патента.

— Объясните подробнее — как вы проводите анализ муки? Каким оборудованием?

— В самом примитивном варианте — наша система может состоять из обычного сканера или цифровой камеры с высоким разрешением, подключенных к компьютеру. Проба муки помещается на прозрачную пластинку. При помощи электростатических полей и вибрации разделяем частицы, не позволяя им слипаться. Это необходимо для получения максимально точного результата. А далее камера делает микроснимки частиц муки. Затем программно, с помощью компьютерного зрения, каждая такая частица обрисовывается контуром. Мы использовали наиболее популярную библиотеку алгоритмов компьютерного зрения с открытым кодом OpenCV. Далее, по разработанному нами алгоритму, искусственная нейросеть классифицирует частицы и делает все необходимые выводы о качестве исходного зернового сырья.

— Что необходимо сделать, что бы этот метод получил широкое распространение в производстве?

— Внедрить в действующий ГОСТ предлагаемые методики, провести масштабную промышленную апробацию — на зерне других хлебных культур, других регионов РФ.

Отдел по связям с общественностью ОГУ

Ошибка в тексте? Выделите её и нажмите «Ctrl + Enter».