An Optimal Ensemble Deep Learning Framework for Non-Destructive Egg Quality Analysis Supporting Food Packaging Applications
यह अध्ययन मल्टी-स्केल फीचर एक्सट्रैक्शन का उपयोग करके अंडे के छिलके की दरारों का पता लगाने में 97.50% सटीकता प्राप्त करने वाले एक हल्के, गैर-विनाशकारी एन्सेम्बल सीएनएन (CNN) फ्रेमवर्क का प्रस्ताव करता है, जो स्वचालित खाद्य पैकेजिंग अनुप्रयोगों के लिए मैनुअल निरीक्षण और मौजूदा डीप लर्निंग मॉडलों का एक गणनात्मक रूप से कुशल और सुदृढ़ विकल्प प्रदान करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
खाद्य उत्पादन की दुनिया में, खेत से मेज तक अंडे की यात्रा एक नाजुक प्रक्रिया है। ये नाजुक कवच हैंडलिंग और परिवहन के दौरान टूटने के प्रति संवेदनशील होते हैं, और एक भी टूटा हुआ अंडा पूरे बैच को दूषित कर सकता है, जिससे बर्बादी और सुरक्षा जोखिम पैदा हो सकते हैं। दशकों से, उद्योग इन अंडों का निरीक्षण करने के लिए मानव श्रमिकों पर निर्भर रहा है, जो एक धीमी, थकाऊ और मानवीय त्रुटियों के प्रति संवेदनशील प्रक्रिया है। हालांकि मशीनों को मदद के लिए पेश किया गया है, लेकिन कई मौजूदा स्वचालित प्रणालियाँ या तो बहुत बड़ी, बहुत महंगी हैं, या उन्हें काम करने के लिए आदर्श प्रकाश स्थितियों की आवश्यकता होती है, जिससे उन्हें वास्तविक दुनिया की फैक्ट्रियों में स्थापित करना कठिन हो जाता है। मुख्य चुनौती एक कंप्यूटर को एक घुमावदार, बनावट वाली सतह पर बाल के समान महीन दरार (हेयरलाइन फ्रैक्चर) को पहचानने के लिए प्रशिक्षित करने में है, बिना किसी विशाल सुपरकंप्यूटर को गणितीय गणनाओं के लिए आवश्यक किए।
श्रीलंका इंस्टीट्यूट ऑफ इंफॉर्मेशन टेक्नोलॉजी और स्विनबर्न यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने एक हल्का कंप्यूटर सिस्टम बनाया है जिसे विशेष रूप से अंडों के छिलकों में दरारें तेजी से और सटीक रूप से पहचानने के लिए डिज़ाइन किया गया है, भले ही जो चित्र वह देखता है वे छोटे हों और प्रकाश व्यवस्था अपूर्ण हो। एक एकल, जटिल विधि पर निर्भर रहने के बजाय, टीम ने एक ऐसा सिस्टम बनाया है जो एक साथ तीन अलग-अलग "आंखों" का उपयोग करता है। प्रत्येक आंख छवि को थोड़े अलग तरीके से देखती है, जो सूक्ष्म विवरणों, मध्यम आकार के पैटर्न और व्यापक आकृतियों पर एक साथ ध्यान केंद्रित करती है। इन तीन दृष्टिकोणों द्वारा जो देखा जाता है उसे जोड़कर, सिस्टम असली दरार और गंदगी या प्राकृतिक उभार जैसे हानिरहित सतही निशानों के बीच अंतर कर सकता है।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण अंडों के 1,400 चित्रों के संग्रह पर किया, जिसमें सफेद और भूरे दोनों रंग के छिलके शामिल थे, जिनमें से कुछ में दरारें थीं और कुछ बिना दरार के थे। उन्होंने कंप्यूटर को इन पैटर्न को पहचानने के लिए प्रशिक्षित किया, जो छवि को छोटे, प्रबंधनीय टुकड़ों में तोड़ने की एक विधि का उपयोग करता है। सिस्टम उल्लेखनीय रूप से प्रभावी साबित हुआ, जिसने 97.5 प्रतिशत बार दरार वाले और बिना दरार वाले अंडों की सही पहचान की। यह प्रदर्शन कई प्रसिद्ध, भारी-भरकम कंप्यूटर मॉडलों से बेहतर था जिनका उपयोग अक्सर इसी तरह के कार्यों के लिए किया जाता है। वे बड़े मॉडल, हालांकि शक्तिशाली हैं, उन्हें चलाने के लिए काफी अधिक कंप्यूटिंग शक्ति और मेमोरी की आवश्यकता होती है। इसके विपरीत, नया सिस्टम इतना कुशल है कि यह मामूली हार्डवेयर पर चल सकता है, जो अपने प्रतिस्पर्धियों की तुलना में ऊर्जा और मेमोरी का केवल एक अंश उपयोग करता है।
इस कार्य का सबसे आश्चर्यजनक पहलू यह है कि इस सिस्टम को सीखने के लिए कितने कम डेटा की आवश्यकता है। शोधकर्ताओं ने पाया कि अच्छे परिणाम प्राप्त करने के लिए उन्हें कंप्यूटर को हाई-डेफिनिशन, बड़ी छवियों को खिलाने की आवश्यकता नहीं थी। वास्तव में, छवियों को बहुत छोटे आकार में सिकोड़ने से सिस्टम बेहतर और तेजी से काम करने में सक्षम हुआ। जब छवियों को पिक्सेल के एक बहुत छोटे ग्रिड में कम किया गया, तो सिस्टम ने विचलित करने वाले बैकग्राउंड विवरणों को अनदेखा कर दिया और पूरी तरह से शेल की संरचनात्मक बनावट पर ध्यान केंद्रित किया। इसने सिस्टम को प्रति अंडा केवल 25.5 मिलीसेकंड में निर्णय लेने में सक्षम बनाया। इस गति को समझने के लिए, एक मानव कार्यकर्ता एक हजार अंडों के निरीक्षण में एक घंटे से अधिक का समय ले सकता है, जबकि यह स्वचालित प्रणाली लगभग एक घंटे में समान संख्या को संसाधित कर सकती है, जो कि सौ गुना अधिक गति का प्रतिनिधित्व करती है।
टीम ने यह भी परीक्षण किया कि सिस्टम वास्तविक दुनिया की खामियों, जैसे कि चमक में बदलाव या अलग-अलग रंग की रोशनी को कैसे संभालता है जो एक व्यस्त कारखाने में हो सकती है। हालांकि सिस्टम बहुत तेज या बहुत अंधेरे प्रकाश में थोड़ा कम निश्चित था, फिर भी इसने उच्च स्तर की सटीकता बनाए रखी, जिसने विविध परिस्थितियों में लगभग 94 प्रतिशत अंडों को सही ढंग से वर्गीकृत किया। शोधकर्ताओं ने नोट किया कि सिस्टम स्पष्ट दरारों को पहचानने में विशेष रूप से अच्छा है, लेकिन कभी-कभी बहुत हल्की, हेयरलाइन दरारों के साथ संघर्ष कर सकता है जो प्राकृतिक शेल बनावट के समान दिखती हैं। यह सुझाव देता है कि हालांकि यह तकनीक अत्यधिक प्रभावी है, फिर भी यह हर प्रकार के दोष के लिए पूर्ण नहीं है, और भविष्य के सुधार उन सूक्ष्म मामलों पर केंद्रित हो सकते हैं।
अंततः, यह शोध खाद्य उद्योग के लिए एक व्यावहारिक मार्ग प्रदान करता है। एक ऐसा सिस्टम बनाकर जो तेज, सटीक और चलाने में सस्ता है, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जिसे महंगे, विशेष उपकरणों की आवश्यकता के बिना मौजूदा उत्पादन लाइनों पर आसानी से स्थापित किया जा सकता है। यह सिस्टम एक अंडे की साधारण तस्वीर लेने, उसे अपने तीन अलग-अलग देखने के कोणों के माध्यम से विश्लेषण करने और अंडे को रखने या अस्वीकार करने पर सेकंड के सौवें हिस्से में निर्णय लेने के माध्यम से काम करता है। यह क्षमता कचरे को कम करने, खाद्य सुरक्षा में सुधार करने और मानव श्रमिकों के बोझ को कम करने का वादा करती है, जिससे यह सुनिश्चित होता है कि उपभोक्ताओं तक पहुँचने वाले अंडे यथासंभव ताज़ा और सुरक्षित हों। अध्ययन पुष्टि करता है कि सही डिजाइन के साथ, आर्टिफिशियल इंटेलिजेंस हमारी खाद्य आपूर्ति को सुरक्षित रखने के जटिल कार्य में एक लीन (lean), कुशल साथी बन सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।