Sötpotatis är ett populärt matval för konsumenter över hela världen på grund av sin utsökta smak och näringsrika kvalitet. Den röda, knölformade rotfrukten kan bearbetas till chips och pommes frites, och den har en rad industriella tillämpningar, inklusive textilier, biologiskt nedbrytbara polymerer och biobränslen.
Kvalitetsbedömning av sötpotatis är avgörande för producenter och förädlare eftersom egenskaper påverkar konsistens och smak, konsumenternas preferenser och lönsamhet för olika ändamål. En ny studie från University of Illinois Urbana-Champaign utforskar användningen av hyperspektral avbildning och förklarlig artificiell intelligens (AI) för att bedöma sötpotatisegenskaper.
"Traditionellt görs kvalitetsbedömning med hjälp av laboratorieanalysmetoder. Du behöver olika instrument för att mäta olika attribut i labbet, och du måste vänta på resultaten. Med hyperspektral avbildning kan du mäta flera parametrar samtidigt. Du kan bedöma varje potatis i en batch, inte bara några få prover."
"Spektral avbildning är icke-invasiv, snabb, exakt och kostnadseffektiv", säger Mohammed Kamruzzaman, biträdande professor vid Institutionen för jordbruks- och biologisk teknik (ABE), en del av College of Agricultural, Consumer and Environmental Sciences (ACES) och Grainger College of Engineering i Illinois.
Studien är en del av ett samarbete mellan flera stater med det amerikanska jordbruksdepartementet som inkluderar forskare från Mississippi, North Carolina, Michigan, Louisiana och Illinois. Varje universitet tar upp olika aspekter av projektet; Kamruzzamans team fokuserar på bedömningen av tre kemiska egenskaper – torrsubstans, fasthet och innehåll av lösligt socker (grade brix) – som påverkar marknadspriset och om en potatis är lämplig för konsumenten eller för bearbetning.
Forskarna använder en synlig nära-infraröd hyperspektral bildkamera för att ta bilder av sötpotatis från två olika vinklar. Genom att analysera bilderna produceras spektraldata, som används för att identifiera nyckelvåglängder och utveckla färgkartor som visar fördelningen av önskade attribut.
Hyperspektral avbildning har blivit ett viktigt verktyg inom jordbruks- och livsmedelsforskning. Det genererar dock en stor mängd data som bearbetas med maskininlärning. Det är komplext och fungerar vanligtvis som en svart låda där användarna inte vet vad som händer.
"Vi kombinerar hyperspektral bildbehandling med förklarlig AI, vilket gör att vi kan förstå processerna bakom resultaten. Det är ett sätt att visualisera hur maskininlärningsalgoritmerna fungerar, hur indata bearbetas och hur funktioner är anslutna för att förutsäga resultatet", säger Md Toukir Ahmed, doktorand i ABE och huvudförfattare till uppsatsen.
"Vi tror att detta är en ny tillämpning av denna metod för bedömning av sötpotatis. Detta banbrytande arbete har potential att bana väg för användning inom ett brett spektrum av andra jordbruks- och biologiska forskningsområden också."
Resultaten kan hjälpa branschfolk och forskare att förstå betydelsen av olika funktioner för att förutsäga kvalitetsegenskaper, vilket leder till mer informerat beslutsfattande och säkerställer leveranser av produkter av högre kvalitet till konsumenterna.
Kamruzzaman sa att ett mål med multiuniversitetsprojektet är att utveckla ett verktyg som processorer kan använda för att snabbt och enkelt skanna batcher av sötpotatis för att bestämma egenskaper och attribut. Så småningom kunde forskare skapa en mobilapp som konsumenterna kan använda i mataffären för att skanna kvaliteten på sötpotatis vid köptillfället.
Verket publiceras i tidskriften Computers and Electronics in Agriculture .
Mer information: Toukir Ahmed et al, Avancerad sötpotatiskvalitetsbedömning med hyperspektral avbildning och förklarlig artificiell intelligens, Computers and Electronics in Agriculture (2024). DOI:10.1016/j.compag.2024.108855
Tillhandahålls av University of Illinois i Urbana-Champaign
