Качество сельскохозяйственной продукции проверит нейросеть
Ученые и студенты Новосибирского государственного технического университета НЭТИ разработали ИИ-систему, которая определяет дефекты овощей и фруктов и оценивает их свежесть.
Проверка качества и безопасности продуктов питания – важнейшая задача агропромышленных компаний, пищевых предприятий и торговых сетей. Необходима система контроля, которая предотвратит появление некачественного товара и не допустит порчи продуктов в процессе переработки, хранения, и поставки на полки. Это сложный процесс, требующий внимания человека. При больших объемах выявить весь брак очень сложно. Поэтому монотонная работа по контролю продуктов постоянно автоматизируется, ее эффективность улучшает применение цифровых технологий. К работе подключают искусственный интеллект.
Умный «сортировщик»
Наиболее уязвимы фрукты и овощи. По оценке экспертов, их легко испортить на любом этапе логистической цепи – как производителю, так и транспортной компании. Некорректная уборка, удары и отклонения от температурного режима при хранении и перевозке – все это приводит к быстрой порче продукта.
В августе 2026 года студенты третьего курса факультета автоматики и вычислительной техники Новосибирского государственного технического университета НЭТИ (НГТУ НЭТИ) Дмитрий Шипунов, Александр Седельников и Семен Симоняк под руководством ассистента кафедры автоматизированных систем управления НГТУ НЭТИ Егора Антонянца представили интеллектуальную систему для автоматической оценки качества сельскохозяйственной продукции. Они создали «умного сортировщика», который на начальном этапе работы специализируется на бананах, апельсинах, клубнике и томатах. Это программа компьютерного зрения, которая по изображению классифицирует плоды. Разработка работает с фотографиями, сделанными при разном освещении и под разными углами. Система позволяет оценивать качество фруктов и овощей без разрушающих методов и сложного оборудования.
Как отмечают разработчики, нужно было решить сложную задачу. С одной стороны, не пропустить ни одного испорченного плода, с другой – не забраковать по ошибке качественный товар.
Особая архитектура сети
Чтобы найти оптимальное решение, было проведено детальное сравнение принципиально разных подходов к обучению нейросетевых алгоритмов. Это позволило понять, как ИИ видит дефекты при каждом варианте обучения и почему одна модель лучше находит гнилую продукцию, а другая определяет незрелость. Самым сложным было научить одну нейронную сеть отличать именно гнилые овощи и фрукты от незрелых. Как отметил руководитель проекта Егор Антонянц, главная проблема в том, что на многих фото эти состояния визуально сложно классифицировать из-за присутствия зеленоватых или коричневатых оттенков.
«Мы использовали особую архитектуру триплетной сети, которая учитывает не просто пары изображений, а сразу несколько примеров – эталонный, положительный и два отрицательных. Это позволило создать более гибкие границы между классами и значительно снизить число ошибок», – подчеркнул Егор Антонянц.
Сейчас разработчики завершают работу над научно-исследовательским прототипом. Обучены и протестированы три архитектуры нейросетей – CNN, SNN и TNN. Они показали точность до 93,6% на выборке изображений. Следующим этапом станет анализ видеопотока с движущейся конвейерной ленты, испытания платформы на реальном предприятии, а затем придет время расширять номенклатуру товаров, с которыми будет работать нейросеть.
«Умный» контроль поставок
В России уже работают над созданием промышленных сортировщиков продуктов питания, контролирующих их качество. Так, «Группа Лента» запустила в распределительных центрах удаленную приемку овощей и фруктов, в которых тестируется машинное зрение, совмещенное с нейросетями. Система показала высокое качество работы – более чем в 90% случаев ее оценка совпадает с мнением инспекторов по качеству. При этом цифровизация позволяет снизить когнитивную нагрузку на персонал и в несколько раз ускорить процесс приемки и обработки партий.
В России рынок таких решений будет расширяться вместе с цифровизацией АПК. В долгосрочной перспективе подобные технологии станут важной частью комплексных «умных цепочек поставок»: от фермы до полки магазина. Они позволят производителям контролировать условия хранения и перевозки на всех этапах, что повысит прозрачность и снизит потери. А после интеграции с российскими системами умного земледелия ритейл сможет, в свою очередь, наблюдать процесс производства, уборки, транспортировки, складирования, хранения и поставки в торговые сети, что в итоге гарантирует качество для потребителя.
Такие технологии помогут увеличить и экспорт российских продуктов за рубеж, так как «умные цепочки поставок» гарантируют качество на каждом этапе работы.
