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.
