Нюхом полнится: в РФ создан прибор для анализа качества продуктов по запаху
Ученые разработали высокочувствительный газоанализатор, который подойдет для создания экспресс-тестеров, позволяющих определять качество продуктов в магазине. Бесконтактное устройство базируется на алгоритмах нейронных сетей и машинного обучения. Это позволяет прибору распознавать большое количество сложных запахов и их оттенков. В том числе датчики укажут на степень созревания овощей и фруктов или расскажут о том, что мясо на прилавке скоро испортится. Эксперты считают, что разработка может скоро появиться на рынке.
Как электроника определяет запахи
Исследователи из Сколковского института науки и технологий разработали линейку приборов, которые помогут по запаху определить свежесть, спелость и другие характеристики пищевых продуктов. В основе устройств — газоанализаторы, которые представляют собой наборы высокочувствительных сенсоров.
Такие приборы имитируют работу биологической обонятельной системы и могут быть настроены на распознавание сложных запахов. Они анализируют летучие соединения, которые присутствуют в воздухе, и, сверяясь с собственным каталогом, определяют, какому продукту и какому его состоянию соответствует тот или иной аромат.
При этом обработка данных производится посредством вычислительных процедур, реализованных в виде нейронной сети и машинного обучения. Это дает возможность охватить большую базу запахов, а также множество их оттенков. Также алгоритмы искусственного интеллекта позволяют донастраивать прибор в процессе работы за счет накопления электронных отпечатков о вновь «изученных» программой запахах.
— С технической точки зрения нос млекопитающих — это линейка чувствительных сенсоров, которые обрабатывают векторные сигналы. Разные запахи дают разные их комбинации. Благодаря искусственному интеллекту мы можем натренировать устройства выявлять тонкие различия в этих комбинациях,— рассказал «Известиям» старший преподаватель Центра фотоники и фотонных технологий Сколтеха Федор Федоров.
Старший научный сотрудник Центра фотоники и квантовых материалов Сколтеха Федор Федоров
Он добавил, что преимущество машинного обучения в том, что оно производится в автоматическом режиме. Главное — правильно задать первоначальные данные и настроить алгоритмы.
По словам ученого, создано несколько прототипов газоанализаторов. В лабораторных условиях их настраивали и испытывали для определения качеств продуктов животного и растительного происхождения — мяса птицы и бананов.
— В процессе исследований ученые замеряли, какие летучие вещества выделяют продукты на разных стадиях своего существования. Эти данные использовали для обучения программы. Также с помощью статистического анализа выявлялись точки, которые свидетельствуют о необратимых изменениях. Эта информация поможет устройству распознавать критические состояния продукта. Например, прибор сообщит, что бананы или мясо скоро испортятся, — пояснил Федор Федоров.
По словам специалиста, разработанное оборудование, настроенное на конкретный запах, сможет эффективно работать в условиях «зашумленности» окружающего пространства пахучими веществами. Это позволит, к примеру, создать карманные тестеры, которые помогут покупателям экспресс-методом проверить овощи и фрукты в магазине перед покупкой. Также устройства будут востребованы на конвейерных линиях по производству пищевых продуктов для оперативного выявления брака.
Где пригодятся газоанализаторы
Ученый также рассказал, что в настоящее время создаются приборы, в которых газоанализаторы будут совмещены с компьютерным зрением. Такие системы будут взаимно дополнять друг друга и позволят производить более качественный разносторонний анализ продуктов.
Вместе с тем на основе сделанных разработок проектируется широкая линейка датчиков для других сфер применения. В частности, они позволят выполнять оперативный анализ воздуха на опасных химических производствах. Еще одна из перспективных областей применения — выявление одежды и бытовых предметов, сделанных из материалов на основе полимеров с превышением уровня токсичности.
— Технологии, основанные на алгоритмах классификации с помощью нейросетей и машинного обучения, позволяют быстрее развивать базы запахов, охватывая новые продукты, вещества, разные степени их свежести и созревания. Это улучшит общую функциональность газоанализаторов, — отметил руководитель группы «Цветовая вычислительная фотография» Института искусственного интеллекта AIRI и руководитель сектора репродукции и синтеза цвета Института проблем передачи информации им. А.А. Харкевича РАН Егор Ершов.
По его мнению, технология имеет широкий спектр возможностей для практического применения, поскольку увеличивает точность идентификации пахучих веществ. Это важно для определения качества пищевых продуктов, где даже небольшие изменения в составе могут повлиять на здоровье потребителей.
Как считает эксперт, на сегодняшний день разработка близка к реализации. Однако переход ее в коммерческую плоскость станет отдельным проектом. Тем не менее перспективность как устройств, так и технологий на их основе в сельском хозяйстве, в производстве и продаже продуктов подталкивает ускоренный трансфер таких решений в практическую сферу.
— Использование автоматизированных приборов для определения качества продуктов снижает возможность ошибки по причине человеческого фактора при производстве продуктов питания. Также такие устройства позволяют своевременно определять дефекты или отклонения от стандартов качества на ранних стадиях производства. Это сокращает время на коррективные меры и предотвращает потери продукции, — отметила доцент Аграрно-технологического института Российского университета дружбы народов им. П. Лумумбы Регина Гурина.
Вместе с тем машинное обучение требует большого объема данных с примерами запахов просрочки, добавила она. При этом восприятие ароматов часто субъективно и зависит от индивидуальных особенностей и предпочтений людей. Это скажется при выработке критериев некачественных продуктов для искусственного интеллекта.
Кроме того, по словам эксперта, нейросети обучаются на основе сложных паттернов, при этом интерпретация их выводов и объяснение решений модели могут оставаться непрозрачными.
— Хотя газоанализаторы широко известны и распространены, например, в добыче руды, предложенное решение также может быть полезным, поскольку адаптировано для работы с конкретными видами продукции. Благодаря этому искусственный интеллект может накопить достаточно информации для обучения и делать точные выводы, — считает руководитель лаборатории радиофотоники Центра фотоники и двумерных материалов, ведущий научный сотрудник НИЦ телекоммуникаций Московского физико-технического института Дмитрий Филонов.
По его мнению, внедрение будет зависеть от цены прибора. Нужно найти золотую середину, чтобы, с одной стороны, устройство было функциональным и, с другой стороны, доступным для потребителей, резюмировал эксперт.
