В НГТУ НЭТИ создали нейросеть для автоматического контроля качества фруктов и овощей
196

В НГТУ НЭТИ создали нейросеть для автоматического контроля качества фруктов и овощей

Автор: admin

Студенты Новосибирского госуниверситета разработали систему ИИ, определяющую дефекты и свежесть продукции по обычным фото. Точность достигает 93,6%, технология адаптируется под новые виды фруктов без массовой переразметки данных.

В Новосибирском государственном техническом университете НЭТИ команда студентов третьего курса — Дмитрий Шипунов, Александр Седельников и Семён Симоняк — под руководством ассистента кафедры автоматизированных систем управления Егора Антонянца создала интеллектуальную систему автоматического оценивания качества сельхозпродукции. Разработка решает острую проблему субъективных ошибок и высоких затрат времени при ручном сортировании, а также избавляет от необходимости идеальных условий съёмки и десятков тысяч размеченных примеров, требуемых традиционными системами компьютерного зрения.

Ключевая особенность проекта — детальное сравнение трёх принципиально разных подходов к обучению: метрического, машинного и глубокого. Это позволило выявить оптимальную архитектуру для конкретных производственных задач: где критично не пропустить ни один испорченный плод, а где важнее не забраковать качественный товар. Особое внимание уделено архитектуре триплетной нейросети (TNN), которая оперирует не парами, а четверками изображений — эталонным, положительным и двумя отрицательными. Такой подход сформировал более гибкие границы между классами «гниль» и «незрелость», визуально похожими из-за схожих зеленовато-коричневатых оттенков, и существенно снизил количество ошибок классификации.

Все три модели — CNN, SNN и TNN — уже обучены, протестированы и показали высокую точность до 93,6% на статичных фото из открытых датасетов (бананы, апельсины, клубника, томаты). При этом система стабильно выдаёт до 89% точности даже на продуктах, отсутствовавших в обучающей выборке, что обеспечивает быструю адаптацию под новые культуры без долгой и дорогой переразметки. Нейросети работают с обычными снимками при разном освещении и ракурсах, не требуя специализированного фотооборудования.

Проект находится на финальной стадии научно-исследовательского прототипа, подтвердившего эффективность в лабораторных условиях. Следующие шаги команды — адаптация под видеопоток с конвейерных лент для тестирования на движущейся продукции, расширение базы дефектов и культур, а также поиск партнёров из АПК для совместных испытаний на реальных производственных линиях.

Похожие материалы

Как CAPTCHA обучала нейросети: от оцифровки книг до управления беспилотниками
CAPTCHA reCAPTCHA обучение ИИ компьютерное зрение

Как CAPTCHA обучала нейросети: от оцифровки книг до управления беспилотниками

Каждый раз, когда вы проходили CAPTCHA — вводили слова, выделяли светофоры или …

ИИ-термины: 20 ключевых слов для понимания нейросетей
искусственный интеллект нейросети LLM термины ИИ

ИИ-термины: 20 ключевых слов для понимания нейросетей

Статья простым языком объясняет 20 основных терминов искусственного интеллекта: от модели и …

Эволюция компьютерного зрения: от геометрии к пространственному интеллекту
компьютерное зрение искусственный интеллект глубокое обучение трансформеры

Эволюция компьютерного зрения: от геометрии к пространственному интеллекту

Статья рассказывает об истории развития компьютерного зрения за 60 лет: от первых …

Воронеж предложил инвесторам создать центр ИИ для точного земледелия
искусственный интеллект агротех точное земледелие Воронежская область

Воронеж предложил инвесторам создать центр ИИ для точного земледелия

Агентство по инвестициям Воронежской области презентовало проект центра разработки ИИ-решений для аграрного …