Методы машинного обучения для анализа гиперспектральных изображений при определении качества пищевых продуктов: обзор

В последние годы возрастает значение методов неразрушающего контроля для мониторинга качества пищевых продуктов. Гиперспектральная визуализация — один из важных методов неразрушающего контроля, который обеспечивает получение как пространственной, так и спектральной информации. Развитие методов машинного обучения для быстрого анализа с более высокой точностью классификации расширило возможности применения гиперспектральной визуализации в пищевой промышленности. В статье представлен обзор применения различных методов машинного обучения для анализа гиперспектральных изображений с целью определения качества пищевых продуктов. Рассмотрены принципы гиперспектральной визуализации, а также преимущества и ограничения каждого метода машинного обучения. Методы машинного обучения обеспечивают быстрый и точный анализ гиперспектральных изображений пищевых продуктов, позволяя создавать устойчивые модели классификации и регрессии. Выбор информативных длин волн в гиперспектральных данных имеет первостепенное значение, поскольку существенно снижает вычислительную нагрузку и сокращает время обработки, расширяя возможности применения методов в режиме реального времени. Благодаря способности глубинного обучения самостоятельно выявлять признаки оно является одним из наиболее перспективных и мощных методов для применения в режиме реального времени. Однако глубинное обучение — относительно новое направление, и для его полноценного использования необходимы дальнейшие исследования. Аналогично, непрерывное машинное обучение открывает возможности для применения гиперспектральной визуализации в режиме реального времени, но требует дальнейшей разработки с учётом сезонных изменений качества пищевых продуктов. Кроме того, обсуждаются пробелы в исследованиях методов машинного обучения для анализа гиперспектральных изображений и перспективы развития этого направления.