Ошеломляющее количество 600 миллионов человек - почти каждый десятый человек в мире заболел после приема зараженной пищи. Из них 420 000 человек умирают каждый год . Только в Америке 48 миллионов случаев заражения через пищевые продукты. заболеваний ежегодно - это равносильно тому, что каждый шестой американец заболевает каждый год.
Я уверен, что многих из вас, читающих эту статью прямо сейчас, больше всего беспокоит, убьет ли вас еда, которую вы собираетесь есть в следующем году. Но для многих людей в мире это их реальность.
Так какое же решение?
Гиперспектральная съемка.
Он собирает сотни изображений на разных длинах волн для одной и той же пространственной области. В то время как человеческий глаз имеет только три цветовых рецептора: синий, зеленый и красный, гиперспектральная визуализация измеряет непрерывный спектр света для каждого пикселя сцены с высоким разрешением по длине волны не только в видимом, но и в видимом диапазоне. также в ближнем инфракрасном диапазоне . - Ниреос
Не поймите меня неправильно, наши глаза и мобильные камеры, несомненно, отлично справляются со съемкой красочных и ярких произведений искусства. Но по-прежнему существуют ограничения на то, что наши человеческие глаза могут воспринимать и детали, которые могут захватывать наши камеры RGB. Вот когда в игру вступает гиперспектральная визуализация. Гиперспектральная визуализация - это аналитический метод, основанный на спектроскопии.
Он анализирует широкий спектр света, а не назначает каждому пикселю основные цвета (красный, зеленый, синий).
По сути, эта форма построения изображения направлена на получение спектра для каждого пикселя изображения. Это позволяет нам находить объекты, обнаруживать процессы, идентифицировать материалы, которые мы не могли бы получить с помощью наших обычных микроскопов, фотоаппаратов или наших глаз.
Как это связано с едой?
Что ж, гиперспектральная визуализация может быть применена для обнаружения патогенов пищевого происхождения. Традиционные методы обнаружения и идентификации патогенов просто громоздки. На картинке ниже вы можете увидеть, как обнаруживаются такие патогены, как кишечная палочка и сальмонелла.
Гиперспектральные изображения можно использовать не только для безопасности пищевых продуктов, но и для оценки качества пищевых продуктов. Он позволяет определять свежесть мясных, овощных и фруктовых продуктов. Что, в свою очередь, точно рассчитывает срок годности продуктов.
Гиперспектральная визуализация также используется в других отраслях, таких как точное земледелие, биотехнология, мониторинг окружающей среды и многое другое.
Но ... Есть ОГРОМНОЕ предостережение ...
Гиперспектральные камеры (также известные как спектрометр изображений) ОЧЕНЬ ДОРОГИ! Стоимость варьируется от 28 тысяч долларов до более 1 миллиона долларов! К счастью, ученые работают над снижением стоимости этих камер примерно до 800 долларов. Однако есть еще один способ получения гиперспектральных изображений с помощью…
Искусственный интеллект.
Искусственный интеллект x Гиперспектральная визуализация
Есть несколько способов получения гиперспектральных изображений с помощью ИИ. В этой статье я сосредоточусь на генеративных состязательных сетях (GAN) на основе модели Pix2Pix, поскольку они менее затратны в вычислительном отношении и имеют меньшие потери при обучении / проверке, чем другие методы.
Pix2Pix GAN - это подход к обучению глубокой сверточной нейронной сети для преобразования изображения в изображение. Теперь в модели GAN есть генератор и дискриминатор.
Роль генератора состоит в том, чтобы генерировать гиперспектральное изображение из «случайного входа», изображения RGB. После создания «фальшивого» гиперспектрального изображения оно проходит через дискриминатор.
Дискриминатор имеет два входа: реальное гиперспектральное изображение и сгенерированное гиперспектральное изображение. Роль дискриминатора состоит в том, чтобы различать, какое изображение является «реальным» гиперспектральным изображением.
Давайте разберем порождающие враждебные сети простой аналогией ...
Итак, Боб (генератор) сильно разорился, поэтому он решил начать зарабатывать фальшивые деньги. Он идет в магазин и пытается расплатиться поддельным счетом. Теперь кассир (дискриминатор) может отличить подделку Боба от реальной купюры. Кассир отклоняет счет.
Итак, Боб попробовал еще раз. И получил отказ.
Он попробовал еще раз и получил 100 отказов. На этом этапе и генератор (Боб), и дискриминатор (кассир) становятся все лучше и лучше в изготовлении поддельных счетов и дифференциации счетов.
Наконец, Боб начинает хорошо зарабатывать деньги и обманывает кассира.
Успех!
То же самое относится и к созданию гиперспектральных изображений. Генератор создает изображения, а дискриминатор получает два входа: фактическое гиперспектральное изображение, полученное на гиперспектральную камеру, и сгенерированное гиперспектральное изображение. Обе сети обучаются. Генератор становится все лучше и лучше при создании гиперспектральных изображений.
Для этого есть много разных приложений, например, проверка того, созрел ли фрукт или как долго вы можете оставить его на полке, прежде чем он загниет. Будем надеяться, что в будущем это может быть реализовано для предотвращения смертей и госпитализаций от болезней пищевого происхождения.
Резюме
- Вы можете использовать гиперспектральные изображения, чтобы оценить качество, свежесть продуктов и, не было ли они когда-либо загрязнены, с помощью гиперспектральных изображений.
- Гиперспектральная визуализация: аналитический метод, основанный на спектроскопии.
- Гиперспектральные камеры дороги, поэтому возможный рентабельный способ сделать эти изображения - использовать искусственный интеллект.
- Есть другой способ сделать этот ИИ; один - через генеративные состязательные сети (GAN)
Если вам понравилась эта статья, подпишитесь на меня в среде :) Также не стесняйтесь связываться со мной в LinkedIn.
Дополнительные ресурсы!
