Las imágenes hiperespectrales son una técnica útil para analizar la composición química de alimentos y productos agrícolas. Sin embargo, éste es un método caro y complicado, lo que limita su aplicación práctica. Un equipo de investigadores de la Universidad de Illinois en Urbana-Champaign ha desarrollado un método para reconstruir imágenes hiperespectrales a partir de imágenes RGB estándar mediante aprendizaje automático profundo. Esta técnica puede simplificar enormemente el proceso analítico y potencialmente revolucionar la evaluación de productos en la industria agrícola.
“Las imágenes hiperespectrales utilizan equipos costosos. Si podemos usar imágenes RGB capturadas por una cámara normal o un teléfono inteligente, podemos usar un dispositivo portátil de bajo costo para predecir la calidad del producto”, dijo el autor principal, Md Tauqeer Ahmed, uno de los doctores del departamento. alumno. Ingeniería Agrícola y Biológica (ABE), parte de la Facultad de Ciencias Agrícolas, del Consumidor y Ambientales y de la Facultad de Ingeniería Granger de Illinois.
Los investigadores probaron su método analizando la composición química de las batatas. Se centraron en el contenido de sólidos solubles en un estudio y en la materia seca en otro, atributos importantes que afectan el sabor, el valor nutricional, la comercialización y la idoneidad del procesamiento de las batatas. Utilizando modelos de aprendizaje profundo, convirtieron información de imágenes RGB en imágenes hiperespectrales.
“Con las imágenes RGB, sólo puedes detectar características visibles como color, forma, tamaño y defectos externos; no puedes detectar ningún parámetro químico. En las imágenes RGB, tienes longitudes de onda de 400 a 700 nanómetros y tres canales: rojo, verde y azul, pero con las imágenes hiperespectrales hay muchos canales y longitudes de onda de 700 a 1000 nm, podemos mapear y reconstruir ese rango para que ahora podamos detectar propiedades químicas a partir de imágenes RGB”, dijo Mohammad Kamruzzaman. Profesor asistente en ABE y autor correspondiente de ambos artículos.
Las imágenes hiperespectrales capturan una firma espectral detallada ubicada espacialmente a través de cientos de bandas estrechas, que se combinan para formar un hipercubo. Al aplicar algoritmos de última generación basados en aprendizaje profundo, Kamruzzaman y Ahmed pudieron crear un modelo para reconstruir hipercubos a partir de imágenes RGB para proporcionar información relevante para el análisis de productos.
Calibraron el modelo espectral con imágenes hiperespectrales reconstruidas de batatas, logrando una precisión del 70% en la predicción del contenido de sólidos solubles y del 88% en el contenido de materia seca, lo que marca una mejora significativa con respecto a estudios anteriores.
En un tercer artículo, el equipo de investigación aplicó métodos de aprendizaje profundo para reconstruir imágenes hiperespectrales para predecir la mortalidad de embriones de pollo, lo que tiene aplicaciones para las industrias de huevos y criaderos. Exploraron varias técnicas y recomendaron el enfoque más apropiado.
“Nuestros resultados son muy prometedores para revolucionar la evaluación de la calidad de los productos agrícolas. Al reconstruir información química detallada a partir de simples imágenes RGB, estamos abriendo nuevas posibilidades para un análisis asequible y accesible. Si bien persisten desafíos en la ampliación de esta tecnología para uso industrial, la transformación El potencial para el control de calidad en todo el sector agrícola hace que este sea un esfuerzo verdaderamente apasionante”, concluye Kamruzzaman.