Технологические решения интеллектуальной обработки данных в пищевой промышленности
Автор: Никитина М.А., Пчелкина В.А., Кузнецова О.А.
Журнал: Вестник Воронежского государственного университета инженерных технологий @vestnik-vsuet
Рубрика: Пищевая биотехнология
Статья в выпуске: 2 (76), 2018 года.
Бесплатный доступ
Статья посвящена возможностям применения искусственных нейронных сетей (ИНС), которые представляют собой математическую модель, а также ее программное или аппаратное воплощение, построенную по принципу организации и функционирования сетей нервных клеток живого организма. Сверточные нейронные сети устроены наподобие зрительной коры головного мозга и достигли большого успеха в распознавании изображений, они умеют концентрироваться на небольшой области и выделять в ней важные особенности. Отмечено широкое использование ИНС в медицине для оценки рентгенограмм, уровня артериального давления и индекса массы тела пациентов по анализу их сетчатки. Перспективным является применение ИНС в пищевой промышленности для осуществления входного контроля качества сырья. В мировой практике применяют разные методы дистанционного контроля сырья, для этого в основном используют приборы на основе ультразвукового сканирования. Такие приборы и системы анализа осуществляют контроль сырья по соотношению тканей мяса (мышечной, соединительной, жировой) в туше или полутуше, не затрагивая структуру тканей, не проводят оценку качества на клеточном (микроструктурном) уровне...
Информационные технологии, искусственная нейронная сеть, дистанционный контроль сырья, гистологический анализ
Короткий адрес: https://sciup.org/140238575
IDR: 140238575 | DOI: 10.20914/2310-1202-2018-2-256-263
Список литературы Технологические решения интеллектуальной обработки данных в пищевой промышленности
- Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности//Автоматы. 1956. С. 363-384.
- Le Cun Y., Ranzato M. DeepLearning. Tutorial ICML, Atlanta, 2013. URL: http://www.cs.nyu.edu/~yann/talks/lecun-ranzato-icml2013.pdf
- Bone X-Ray Deep Learning Competition. URL: https://stanfordmlgroup.github.io/competitions/mura.
- Poplin R., Varadarajan A.V., Blumer K., Liu Y. et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning//Nature Biomedical Engineering volume. 2018. № 2. P. 158-164. 10.1038/s41551-018-0195-0 DOI: 10.1038/s41551–018–0195–0
- Chinese farmers are using AItohelprear the world’s biggest pig population. URL: https://www.theverge.com.
- Deng J., Dong W., Socher R., Li L. -J. et al. A large-scale hierarchical image database//Computer Vision and Pattern Recognition. CVPR 2009. IEEEConferenceon. 2009. P. 248-255.
- Hannun A., Case C., Casper J., Catanzaro B. et al. Deepspeech: Scalingupend-to-endspeechrecognition. arXivpreprintarXir. 2014.
- Rajpurkar P., Zhang J., Lopyrev K., Liang P. Squad:100,000+ questions for machine comprehension of text. arXiv preprint arXiv. 2016.
- Gulshan V., Peng L., Coram M., Stumpe M.C. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs//Jama. 2016. № 316(22). P. 2402-2410.
- Esteva A., Kuprel B., Novoa R.A., Ko J. et al. Dermatologist-level classification of skin cancer with deep neural networks//Nature. 2017. № 542(7639). P. 115-118.
- Rajpurkar P., Hannun A.Y., Haghpanahi M., Bourn C. et al. Cardiologist-level arrhythmia detection with convolutional neural networks. arXiv preprint arXiv. 2017.
- Grewal M., Srivastava M.M., Kumar P., Varadarajan S. Radnet: Radiologist level accuracy using deep learning for hemorrhage detection in ct scans. arXiv preprint arXiv. 2017.
- Rajpurkar P., Irvin J., Zhu K., Yang B. et al. Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint arXiv. 2017.
- Gale W., Oakden-Rayner L., Carneiro G., Bradley A.P. et al. Detecting hip fractures with radiologist-level performance using deep neuralnetworks/arXiv e-prints. 2017.
- Wang X., Peng Y., Lu L., Lu Z. et al. Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. arXiv preprint arXiv. 2017.
- Пляшечник П.И., Глебочев С.Н., Шихов С.С. Сырье под контролем//Мясная индустрия. 2015. № 1. С. 37-39.
- The Best & Donovan Acra-Grade System. Operation and Maintenance Manual. Revision 4. URL: http://www.bestand-donovan.com/acragrademanual.html#overview.
- AutoFom III. Fully Automatic Ultrasonic Carcass Grading. Available at: http://www.carometec.com/products/item/autoform-III.
- Kutsky J.A., Savell J.W., Johnson D.D., Smith G.C. et al. Predicting cutability of pork carcasses and hams using the Hennessy and Chong Fat Depth Indicator//Meat science. 1984. № 11. P. 13-26.
- Listrat A., Lebret B., Louveau I. et al. How Muscle Structure and Composition Influence Meat and Flesh Quality//The Scientific World Journal. 2016. P. 3182746 DOI: 10.1155/2016/3182746
- Enikel D. Structure of muscle and meat quality//Fleischwirtschaft. 1987. № 4. P. 461-465.
- Bendall I.R., Swatland H.J. A review of the relationships of pH with physical aspects of quality//Meat Science. 1988. № 2(24). P. 85-126.
- Hvilia S.I. Comparative electronic histochemical analysis of meat with DFD and PSE defects//Technologija mesa. 1999. № 1(40). P. 13-16.
