Ein Forschungsteam von Skoltech und der Staatlichen Universität für Luftfahrtinstrumente in Sankt Petersburg hat eine Studie vorgestellt, in der sie eine alternative Methode zur Erkennung von faulen und schimmeligen Äpfeln im Nachhöster-Zustand entwickelt haben. Hierbei wird ein Computersystem zur visuellen Erkennung von Defekten eingesetzt, die in einem frühen Stadium auftreten, in dem sie für das menschliche Auge unsichtbar sein können. Die Ergebnisse der Studie wurden im Journal Entropy veröffentlicht.
Obwohl die Automatisierung in der Landwirtschaft weit verbreitet ist, wird die Qualität von Obst und Gemüse im Nachhöster-Zustand, insbesondere bei der Bewertung, hauptsächlich von Menschen kontrolliert. Bei der Lieferung können Produkte faulen oder beschädigt werden, wobei manche Bereiche des Verfalls übersehen oder übersehen werden können. Um Defekte zu erkennen, wird normalerweise Infrarotlicht verwendet, was jedoch teure und nicht immer benutzerfreundliche Multispektralgeräte erfordert. Die Forschung zielt darauf ab, eine kostengünstige und innovative Alternative zu diesen Kameras zu bieten, die auf Deep-Learning-Modellen basieren und Infrarotbilder generieren können.
Die Studie verwendet zwei Arten von neuronalen Netzwerken: ein generatives GAN und ein Convolutional Neural Network zur Erkennung von Defekten bei Äpfeln im Nachhöster-Zustand. Die Kombination dieser beiden Netzwerke ermöglicht die Umwandlung von sichtbaren Bildern in Infrarotbilder und die Identifizierung von Defekten. Die Forscher planen, die Ergebnisse auf andere Kulturen zu skalieren und weitere neuronale Modelle zu testen.