Оценка качества риса имеет важное значение для соответствия высоким стандартам качества и требованиям потребителей. Однако остаются проблемы в разработке экономически эффективных и быстрых методов оценки качественных характеристик товарного риса. В данной статье представлено применение компьютерного зрения (CV) и машинного обучения (ML) для классификации образцов товарного риса на основе безразмерных морфометрических параметров и цветовых параметров, извлеченных с помощью алгоритмов CV из цифровых изображений, полученных с камеры смартфона.
Модель искусственной нейронной сети (ANN) была разработана с использованием девяти морфо-колориметрических параметров для классификации образцов риса на 15 типов товарного риса. Кроме того, модели ANN были развернуты и оценены на различных системах обработки изображений для имитации их практического применения в различных условиях.
Результаты показали, что наилучшая точность классификации была получена с использованием алгоритма байесовской регуляризации (BR) ANN с десятью скрытыми нейронами: 91,6% (MSE = <0,01) и 88,5% (MSE = 0,01) на этапах обучения и тестирования соответственно, с общей точностью 90,7% (Модель 2). Внедрение этих методов также продемонстрировало высокую точность (93,9%) в классификации образцов риса. Применение в отрасли быстрых, надежных и точных методов, подобных представленным здесь, может позволить включить различные морфо-колориметрические характеристики риса в исследования восприятия потребителями.
1. Введение
Коммерческий рис (Oryza sativa) доступен в различных сортах, чтобы удовлетворить потребности потребителей в зависимости от цены и предпочтений. Разнообразный рисовый генофонд, потребляемый во всем мире, отличается высокой изменчивостью качественных характеристик, что связано с физико-химическими свойствами рисовых зерен [1, 2, 3, 4, 5]. Эти характеристики связаны с принятием потребителями размера и формы, цвета, запаха/аромата, чистоты, однородности и текстуры [6].
Качество сырого риса обычно связано с восприятием потребителя, главным образом перед покупкой продукта. Оно оценивается визуально на основе внешнего вида рисовых зерен, что считается важным фактором, влияющим на решение о покупке [7, 8]. Например, длина, однородность размера и формы, цвет, меловидность и процент битого риса были среди характеристик, используемых для оценки восприятия потребителями качества риса [6, 7, 8, 9].
Между тем, внешний вид, вкус, аромат и текстура были основными параметрами качества, влияющими на восприятие вареного риса потребителями [6, 10, 11]. Исследование, проведенное Джисаном и Со [12], показало, что цветовые характеристики вареного риса влияли на восприятие потребителями аромата, воздействовали на принятие и вызывали целый ряд эмоциональных реакций.
Оценка качества риса является важной процедурой в производстве риса для поддержания высокого качества риса на рынке и обеспечения высокой потребительской привлекательности. Стандарты качества обработки риса были установлены для содействия торговле и маркетингу риса. Согласно стандартам США для обработанного риса [13], рис классифицируется по категориям с учетом (i) максимальных пределов зерна риса-сырца; (ii) красного риса; (iii) мелового зерна; (iv) битого зерна и других типов риса; (v) требований к цвету обработанного риса; и (vi) минимальных требований к обработке. Кроме того, Министерство сельского хозяйства Китая установило стандарт качества обработки (NY/T593-2013) для улучшения качества рисовых зерен, подчеркивая требования к стандартам для различных типов риса, таких как рис индика и японика [14].
Качество риса обычно определяется путем визуального осмотра и ручных измерений [1]. Однако этот подход является трудоемким, субъективным и подверженным человеческим ошибкам. В настоящее время существуют аналитические приборы, основанные на методах визуализации, для автоматизации оценки качества риса, такие как сканер изображений рисовых зерен (Selgron, Блюменау, Бразилия) и анализатор изображений SeedCount SC5000 (Next Instruments, Конделл Парк, город Кентербери-Банкстаун, Новый Южный Уэльс, Австралия).
Сканер изображений рисовых зерен (Selgron, Блюменау, Бразилия) предоставляет 39 результатов по характеристикам рисовых зерен, включая размер зерна, меловидность, дефекты зерна и качество помола, на основе трехмерного измерения изображений рисовых зерен, полученных с помощью камеры [15]. Таким образом, он позволяет селекционеру риса выбирать желаемые характеристики качества риса в более короткие сроки с высокой точностью. Кроме того, анализатор изображений SeedCount SC5000 был разработан с использованием системы сканирования планшетом в режиме отражения для получения изображений отдельных образцов риса с целью измерения размеров зерна, степени меловидности и удлинения [16].
Например, он использовался для определения длины, ширины и отношения длины к ширине австралийского дикого риса [17], а также процента меловидности в зернах риса [18, 19]. Однако лабораторные приборы дороги и могут препятствовать их применению среди малых предприятий, особенно в развивающихся странах. Поэтому важно разработать альтернативный метод, использующий быстрый, надежный, экономически эффективный и менее сложный подход.
Новые технологии, такие как компьютерное зрение (CV) и методы машинного обучения (ML), применяются для классификации изображений сортов риса [20], целых и битых зерен риса [21], мелового риса [22, 23] и обесцвеченного риса [24]. Эта техника требует получения изображений образцов риса и алгоритмов компьютерного зрения для предварительной обработки, анализа и извлечения ценной информации из изображений с целью разработки моделей классификации.
Программное обеспечение, такое как Matlab (Mathworks, Inc., Натик, Массачусетс, США) [25, 26, 27] и LabVIEW (National Instruments, Остин, Техас, США) [28, 29, 30], а также библиотеки с открытым исходным кодом, такие как OpenCV (Intel, Санта-Клара, Калифорния, США) [31, 32, 33] и Python (Python Software Foundation, Уилмингтон, Делавэр, США) [34], являются одними из наиболее популярных среди исследователей. Искусственные нейронные сети (ИНС) для контролируемого машинного обучения хорошо известны своей способностью решать задачи многоклассовой классификации благодаря своей способности работать с нелинейными данными для распознавания образов и достижения высокой точности. Например, модели ИНС использовались в предыдущих исследованиях для классификации плодов шелковицы по степени зрелости [27], обнаружения дефектов пива с помощью электронного носа [35] и классификации степени заражения тлей с помощью электронного носа и ближней инфракрасной спектроскопии [36].
Рис разных сортов отличается по своим физико-химическим свойствам [4, 37, 38]. Морфо-колориметрические параметры, такие как длина большой и малой оси зерна; соотношение сторон; периметр; эксцентриситет; округлость; красное, зеленое и синее (RGB); и цветовые пространства CIELab, являются ключевыми параметрами, которые можно извлечь с помощью методов компьютерного зрения. Они использовались в предыдущих исследованиях, например, для классификации зерен риса по низкому, среднему и высокому качеству [39], а также для классификации целых, сломанных, обесцвеченных, неочищенных, деформированных и увядших зерен [24].
Кроме того, фрактальная размерность (ФД), полученная с помощью метода подсчета ячеек, использовалась в предыдущих исследованиях для классификации листьев винограда разных сортов [40], характеристики свиной вырезки и нарезанной ткани лосося [41], а также для анализа микроструктуры хлебобулочных изделий [42]. Следовательно, FD также может использоваться в качестве критического входного параметра для морфометрической классификации рисовых зерен. Тем не менее, работы по классификации риса с использованием безразмерных параметров, автоматически извлекаемых из цифровых изображений, встречаются нечасто, особенно для широкого спектра коммерческих образцов риса. Кроме того, проведено мало исследований по оценке точности применения различных условий на основе разработанной модели, что позволило бы создать надежную модель классификации.
Последние достижения в области смартфонов нового поколения с камерами высокого разрешения, встроенными датчиками, мощными процессорами и высокоскоростной передачей данных позволили внедрить эту технологию в качестве экономически эффективного инструмента измерения и измерения. Таким образом, приложения на основе смартфонов с алгоритмами компьютерного зрения для сельского хозяйства и пищевой промышленности привлекли внимание исследователей.
К таким приложениям относятся VitiCanopy (Университет Аделаиды, Аделаида, Австралия), позволяющее виноградарям оценивать жизнеспособность и пористость виноградной лозы [43]; Plantix (PEAT GmbH, Берлин, Германия), используемый для диагностики вредителей, болезней и дефицита питательных веществ у 30 видов культур [44]; и FruitSize (Центральный Квинслендский университет, Квинсленд, Австралия), используемый для измерения размера плодов, полученных из изображений, снятых камерой смартфона [45].
Более того, смартфон использовался в предыдущих исследованиях, например, для получения изображений рисовых зерен для оценки содержания влаги в полевых условиях во время уборки урожая [46], обнаружения фальсификации молока [32], оценки информации о питании на основе изображений продуктов питания и напитков [47], а также для оценки индекса листовой поверхности (LAI) и высоты растений для определения структуры листового покрова [48], что может быть в дальнейшем разработано в виде приложения для смартфона. Таким образом, развитие технологий смартфонов имеет большой потенциал для обеспечения измерений на месте и быстрого анализа с меньшими затратами, особенно для сельскохозяйственной и пищевой промышленности.
В данном исследовании представлена система обработки изображений на основе смартфона как инструмент для получения изображений, полуавтоматизированные алгоритмы компьютерного зрения и машинное обучение для методов быстрой оценки и классификации товарных зерен риса. В исследовании использовались 15 изображений товарного риса для извлечения морфо-колориметрических параметров с помощью специально разработанных алгоритмов компьютерного зрения, написанных на Matlab®R2021a.
Модель машинного обучения, основанная на распознавании образов искусственными нейронными сетями (ИНС), была разработана для классификации образцов товарного риса с использованием морфо-колориметрических параметров в качестве входных данных. Предложенный метод и модель классификации были затем переобучены для развертывания модели в различных условиях обработки изображений с целью имитации работы в реальном времени. Предложенный метод может стать основой для приложения на основе смартфона в качестве жизнеспособной альтернативы традиционному подходу, мобильного, экономически эффективного и удобного инструмента для быстрой оценки качественных характеристик риса, связанных с восприятием потребителями.
2. Материалы и методы
2.1. Образцы риса
В данном исследовании были получены 15 коммерческих сортов риса от местных розничных продавцов в Австралии (таблица 1). Образцы состояли из двух основных категорий риса, представленных на рынке: белый рис, полученный из цельного зерна путем помола для удаления внешней отрубной оболочки, и цельнозерновой (нешлифованный) рис. Для каждого образца из каждой упаковки отбирали по 2 г целых зерен в трех повторениях, что соответствовало различному общему количеству зерен риса каждого сорта.
Таблица 1. Подробные сведения о коммерческих образцах риса, включая идентификатор класса, категорию продукта, тип, происхождение, аббревиатуру и количество зерен каждого типа риса в трех повторениях, получены с помощью Lightbox 1.
| Class ID | Product Category | Type | Origin | Abbreviation | Number of Grains |
|---|---|---|---|---|---|
| 1 | White rice (Polished rice) |
Khoshihikari a | Japan | KHO | 243 |
| 2 | Sushi rice a | Japan | SRS | 276 | |
| 3 | Bomba a | Spain | BMB | 210 | |
| 4 | Calasparra a | Spain | CLP | 263 | |
| 5 | Arborio b | Italy | ARB | 126 | |
| 6 | Calrose b | Australia | CLS | 230 | |
| 7 | Long-grain c | Thailand | LGW | 195 | |
| 8 | Jasmine c | Thailand | JAS | 297 | |
| 9 | Basmati c | Pakistan | BAS | 330 | |
| 10 | Whole grain rice (Unpolished rice) |
Biodynamic rice b | Australia | BDM | 224 |
| 11 | Medium grain b | Australia | MGB | 212 | |
| 12 | Medium-grain—organic b | India | MOB | 274 | |
| 13 | Doongara c | Australia | DGR | 308 | |
| 14 | Black rice c | Thailand | BKR | 317 | |
| 15 | Wild rice—organic c | USA | WRO | 335 |
а) короткозернистая; б) среднезернистая; в) длиннозернистая.
2.2. Получение изображений
Изображения образцов риса были получены с помощью задней камеры (12 мегапикселей; фокусное расстояние, f = 26 мм; диафрагма = f /1,8) iPhone 11 (Apple Inc., Купертино, Калифорния, США). Для получения изображений сверху, примерно на расстоянии 15 см, использовался Lightbox 1 — складной световой бокс (Unbranded, Unhobest, Китай; размеры: 40 см × 40 см × 40 см), состоящий из двух светодиодных лент дневного света по 70 светодиодов в каждой (рис. 1). Изображения были получены с помощью приложения Adobe Lightroom (v6.1.0 Adobe Inc., Сан-Хосе, Калифорния, США), что позволило настроить баланс белого с использованием белой эталонной бумаги.
Для съемки белого и коричневого риса использовался черный фон, а для черного и дикого риса — белый фон, чтобы обеспечить хороший контраст между изображениями переднего и заднего плана. Образцы риса были расположены в случайном порядке, не соприкасаясь друг с другом, чтобы минимизировать шум за счет соприкосновения и перекрытия зерен риса в модели искусственной нейронной сети. Однако код включает процедуры сегментации методом водоразделов для облегчения извлечения отдельных характеристик риса даже при соприкосновении или перекрытии зерен.
Рис. 1. Экспериментальная установка для получения изображений, состоящая из ( 1 ) светового бокса; ( 2 ) 70 отрезков двух светодиодных лент; ( 3 ) платформы; ( 4 ) картона для размещения зерна для получения изображений; ( 5 ) образцов риса; ( 6 ) верхнего отверстия светового бокса, используемого для получения изображений с помощью смартфона. LED = светодиод.
На рисунке 2 показаны изображения, полученные с каждой группы образцов риса с использованием экспериментальной установки. Изображения были получены с разрешением 3024 × 4032 пикселей и сохранены в формате Joint Photographic Group (JPG). Изображения, снятые с помощью смартфона, были загружены на Matlab Drive ® через Matlab Mobile для дальнейшей обработки с использованием Matlab ® R2021a на персональном компьютере (ПК).
Рис. 2. Примеры 15 изображений образцов коммерческого риса, использованных в исследовании. Подробная информация об образцах риса, основанная на обозначенном идентификаторе класса, соответствует списку в таблице 1. Изображения образцов риса, показанные на рисунке, были обрезаны исключительно для целей презентации.
2.3. Предварительная обработка изображений, сегментация и извлечение морфо-колориметрических признаков
Отдельные зерна риса были автоматически проанализированы для извлечения морфо-колориметрических признаков из изображений с использованием модифицированных алгоритмов CV, разработанных на основе предыдущих работ по классификации листьев [25, 40] в Matlab® R2021a . Обзор процесса представлен на рисунке 3; он состоит из следующих шагов: (i) захват и чтение изображения; (ii) предварительная обработка изображения; (iii) анализ изображения; и (iv) извлечение признаков для получения морфо-колориметрических характеристик зерен риса.
Рис. 3. Блок-схема метода, используемого для извлечения морфо-колориметрических признаков из изображения рисового зерна.
2.4. Морфо-колориметрические параметры товарных зерен риса
В таблице 2 показаны пять морфометрических и четыре колориметрических параметра, извлеченных из изображения отдельного рисового зерна. Безразмерные морфометрические параметры были включены в исследование для упрощения этапа захвата изображения и позволяют пользователю независимо захватывать изображения риса в лайтбоксе на любом расстоянии от объекта. Идентификация отдельных рисовых зерен основывалась на анализе пятен на бинаризованных изображениях, который определяет контуры пятен для автоматической маркировки каждого зерна с целью извлечения статистических измерений формы с использованием функции regionprops в Matlab ® R2021a.
На основе этого анализа рассчитываются автоматические статистические данные, такие как центроид, соотношение сторон и индекс отношения площади к параметру, вычисленные с использованием длины большой и малой осей, площади (A) и периметра (P) изображений риса. Фрактальная размерность (FD) рисовых зерен определялась с использованием метода подсчета ячеек, основанного на ранее опубликованной работе по распознаванию и анализу листьев винограда [40] и листьев лекарственных растений для извлечения схожих признаков [25].
Бинаризованное изображение рисовых зерен также использовалось в качестве маски на исходном изображении для автоматического извлечения колориметрических параметров из каждого рисового зерна в цветовых шкалах CIELab и RGB. Индекс желтизны вычислялся на основе параметров цветовой шкалы для определения степени желтизны рисовых зерен на основе предыдущей работы, проведенной Rhim et al. [49]. Извлеченные признаки из отдельных рисовых зерен автоматически сохранялись в двоичном формате Microsoft Excel (.xls) и использовались в качестве входных данных для разработки модели машинного обучения для классификации 15 коммерческих сортов риса.
Таблица 2. Безразмерные морфо-колориметрические признаки и индексы, которые были использованы для разработки модели машинного обучения (ML) для классификации 15 типов товарных сортов риса.
| Parameters | Abbreviation | Description |
|---|---|---|
| Fractal dimension | FD | Fractal dimension obtained from the box-counting method [40]. |
| Circularity | Cir | Degree of object roundness, which returned the value between 0 to 1. The value 1 indicates a perfect circle. |
| Aspect ratio | AR | The ratio between major and minor axis length [50]. |
| Extent | Ext | The ratio between the rice grain area and bounding box area. |
| Area-Perimeter Ratio Index | APIdx | APIdx = [(A/P) − (A/P)min]/(A/P)max |
| CIELab color scale | L, a and b | Lightness (L), red to green color range (a), and yellow to blue color range (b) [40]. |
| Yellowness Index | YI | Degree of yellowness [49]. |
2.5. Статистический анализ
Для оценки наличия значимых различий между средними значениями морфо-колориметрических параметров образцов коммерческого риса, полученных с помощью прибора Lightbox 1, был проведен однофакторный дисперсионный анализ (ANOVA; p < 0,05) и апостериорный тест Тьюки (HSD) (α = 0,05) с использованием программы Minitab 19.1 (Minitab Inc., State College, PA, USA).
Многомерный анализ данных на основе анализа главных компонентов (PCA) и кластерного анализа проводился с использованием специально разработанного кода, написанного на Matlab® R2021a. Основное применение PCA в этом исследовании заключалось в выявлении взаимосвязей между переменными и образцами, построенными с использованием ковариационных методов в качестве обоснования параметрического проектирования для представленного моделирования ИНС [51, 52, 53, 54, 55].
Кроме того, кластерный анализ помогает визуализировать относительную группировку коммерческих образцов риса в соответствии с этими параметрами. Этот тип анализа для поддержки параметрического проектирования использовался в нескольких работах по ИНС для применения в пищевой промышленности и производстве напитков [56, 57, 58] и помогает неспециалистам в области ИИ или машинного обучения лучше понимать взаимосвязи между различными параметрами с физико-химической точки зрения.
Этот тип многомерного анализа данных также помогает прояснить «черноящичные» свойства контролируемого машинного обучения, такого как искусственные нейронные сети (ИНС), и визуализировать, что ИНС правильно оценивает целевые значения и что они не являются артефактами от несвязанных входных данных.
2.6. Моделирование машинного обучения
Классификационные модели машинного обучения были разработаны с использованием алгоритма ИНС для распознавания образов с помощью специально написанного кода на Matlab® R2021a. Модель была разработана путем тестирования 17 алгоритмов обучения (данные не показаны), которые состояли из трех типов основных функций: (i) обратное распространение с производными Якобиана; (ii) обратное распространение с производными градиента; и (iii) функции обучения с контролируемым весом и смещением [59].
Оптимальный алгоритм классификации был затем выбран путем оценки точности и производительности модели, определяемой на основе среднеквадратичной ошибки (MSE); для оценки любых признаков недообучения или переобучения значение MSE на этапе обучения должно быть ниже значения на этапе тестирования. Кроме того, количество входных данных должно быть <70% от количества выборок, чтобы избежать переобучения, чему эта модель соответствует всего с девятью входными данными [60, 61, 62].
Кроме того, кривые рабочих характеристик приемника (ROC) использовались для анализа чувствительности модели (доля истинно положительных результатов) и специфичности (доля истинно отрицательных результатов) для классификации каждого типа риса [63]. Было проведено упражнение по сокращению количества нейронов с использованием десяти, семи, пяти и трех скрытых нейронов для определения оптимального количества нейронов, после чего модель переобучалась несколько раз для оценки согласованности результатов и поиска лучшей модели на основе точности и производительности. Количество нейронов также необходимо учитывать для оценки недообучения или переобучения; большее количество нейронов, обычно >10, с большей вероятностью приведет к переобучению, в то время как очень малое количество, обычно менее трех, может привести к недообучению [56].
В данном исследовании модель 1 была разработана с использованием набора данных, извлеченного из изображений риса, полученных из Lightbox 1. После отбора была выбрана байесовская регуляризация (BR) с семью нейронами, поскольку модель продемонстрировала высокую точность, наилучшую производительность и отсутствие признаков недообучения или переобучения.
Таким образом, модель представляла собой двухслойную нейронную сеть прямого распространения с сигмоидной функцией, использующую девять морфо-колориметрических параметров в качестве входных данных для классификации зерен в соответствии с 15 типами коммерческого риса (рис. 4). Набор данных из популяции образцов рисовых зерен для обучения и тестирования был случайным образом разделен на 70% ( n = 2687) и 30% ( n = 1152) соответственно.
Рис. 4. Диаграмма модели нейронной сети (Модель 1) алгоритма байесовской регуляризации с семью скрытыми нейронами и сигмоидной функцией, показывающая девять входных морфо-колориметрических параметров и 15 выходных параметров товарных зерен риса. Сокращения для морфо-колориметрических параметров (входные данные) и товарных зерен риса (выходные данные) приведены в Таблице 1 и Таблице 2. w = вес; b = смещение.
2.7. Переобучение и развертывание модели машинного обучения
Для оценки применимости предложенного метода был проведен тест, имитирующий его практическое использование в других условиях. Для этого был получен новый набор данных, соответствующий 15 образцам риса, с использованием Lightbox 2 (2D PhotoBench 120, Ortery Technologies Inc., Ирвайн, Калифорния, США; размеры = 61,0 см × 61,0 см × 71,1 см) при дневном свете LED 5700 K, с применением подходов, аналогичных описанным в разделе 2.2, с небольшими изменениями.
Тот же смартфон был установлен на мини-штативе на расстоянии 15 см от образцов. Изображения были получены с помощью Adobe Lightroom с настройкой пользовательского баланса белого с использованием белой эталонной бумаги. Данные с восьми повторяющихся изображений, содержащих около 50 зерен риса на изображении, были получены и извлечены из пользовательских CV-кодов, описанных в разделе 2.3.
Новые данные из Lightbox 2 были использованы для переобучения исходной модели 1 с использованием шагов, описанных ранее в разделе 2.6 ; переобученная модель 1 была названа моделью 2. Она была разработана на основе девяти морфо-колориметрических параметров в качестве входных данных для классификации 15 коммерческих сортов риса в качестве целевых, аналогично исходной модели 1, с использованием случайного распределения данных: 70% ( n = 6887) для обучающих и 30% ( n = 2952) для тестовых наборов данных (рисунок 5). После тестирования модели на 17 алгоритмах ИНС, а затем теста на обрезку нейронов, наилучшая модель была получена с использованием алгоритмов BR с сигмоидной функцией активации и десятью скрытыми нейронами.
Рис. 5. Диаграмма модели нейронной сети (Модель 2) алгоритма байесовской регуляризации с семью скрытыми нейронами и сигмоидной функцией, показывающая девять входных морфо-колориметрических параметров и 15 выходных параметров товарных зерен риса. Сокращения для морфо-колориметрических параметров (входные данные) и товарных зерен риса (выходные данные) приведены в Таблице 1 и Таблице 2. w = вес; b = смещение.
Точность развертывания была проверена с использованием нового изображения, полученного для каждого типа риса из Lightbox 2, с применением той же процедуры, что и при разработке Модели 2. Изображение, полученное с помощью смартфона, было отправлено в Matlab Drive®, после чего следовали следующие шаги для обработки полученного изображения на ноутбуке: обнаружение отдельных зерен риса, извлечение морфо-колориметрических признаков и их классификация в соответствии с соответствующим идентификатором класса с использованием разработанной модели машинного обучения, встроенной в код. Наконец, отображалось изображение решения с помеченным прогнозируемым идентификатором класса для каждого зерна риса на изображении. На рисунке 6 показана блок-схема процесса классификации риса.
Рис. 6. Блок-схема классификации риса с использованием компьютерного зрения и анализа машинного обучения. ИНС = искусственная нейронная сеть.
3. Результаты
3.1. Морфо-колориметрические параметры товарных зерен риса
В таблице 3 представлены результаты дисперсионного анализа (ANOVA) морфо-колориметрических параметров, полученных с помощью складного светового бокса для каждого типа риса. Между образцами наблюдались значительные различия ( p < 0,05) по всем параметрам. Средние значения FD варьировались от 1,57 (LGW) до 1,83 (BMB). Значения FD были выше среди короткозерных образцов (KHO, SRS, BMB и CLP), в то время как среднезерные образцы в основном имели промежуточные значения FD.
Таблица 3. Средние значения и стандартная ошибка (SE) для морфо-колориметрических параметров образцов коммерческого риса.
| Rice Sample | n | FD | SE | Cir | SE | AR | SE |
|---|---|---|---|---|---|---|---|
| KHO | 243 | 1.82 a | ±0.08 | 0.89 b | ±0.02 | 1.63 h | ±4.69 |
| SRS | 276 | 1.82 a | ±0.08 | 0.90 a,b | ±0.02 | 1.64 h | ±1.12 |
| BMB | 210 | 1.83 a | ±0.10 | 0.91 a,b | ±0.04 | 1.61 h | ±1.64 |
| CLP | 262 | 1.82 a | ±0.12 | 0.91 a | ±0.08 | 1.58 h | ±1.05 |
| ARB | 126 | 1.66 c,d | ±0.04 | 0.83 c | ±0.02 | 1.94 g | ±2.16 |
| CLS | 230 | 1.67 c | ±0.18 | 0.83 c | ±0.04 | 1.97 g | ±2.52 |
| LGW | 195 | 1.57 f | ±0.10 | 0.61 g | ±0.04 | 3.32 c | ±0.76 |
| JAS | 297 | 1.59 e,f | ±0.10 | 0.64 f | ±0.09 | 3.18 d | ±0.50 |
| BAS | 330 | 1.58 f | ±0.17 | 0.59 h | ±0.11 | 3.59 b | ±3.87 |
| BDM | 224 | 1.62 d,e | ±0.16 | 0.82 c | ±0.03 | 2.06 g | ±2.88 |
| MGB | 212 | 1.59 e,f | ±0.12 | 0.79 d | ±0.06 | 2.27 f | ±5.23 |
| MOB | 274 | 1.71 b | ±0.17 | 0.78 d | ±0.06 | 2.33 f | ±1.57 |
| DGR | 308 | 1.59 e,f | ±0.09 | 0.67 e | ±0.03 | 3.06 e | ±5.09 |
| BKR | 317 | 1.59 e,f | ±0.09 | 0.60 g,h | ±0.05 | 3.56 b | ±10.43 |
| WRO | 335 | 1.66 c | ±0.12 | 0.46 i | ±0.05 | 5.19 a | ±13.50 |
| Rice Sample | Ext | SE | APIdx | SE | L | SE | a | SE |
|---|---|---|---|---|---|---|---|---|
| KHO | 0.72 a | ±0.04 | 0.70 c,d | ±0.08 | 55.96 d | ±1.61 | 1.93 e | ±0.55 |
| SRS | 0.72 a,b | ±0.04 | 0.71 c,d | ±0.08 | 53.80 f | ±1.81 | 2.05 e | ±0.17 |
| BMB | 0.73 a | ±0.05 | 0.75 c | ±0.20 | 55.20 e | ±1.75 | 1.89 e | ±0.38 |
| CLP | 0.74 a | ±0.05 | 0.69 d | ±0.31 | 54.62 e | ±2.09 | 2.52 c | ±0.37 |
| ARB | 0.67 c | ±0.05 | 1.17 a | ±0.10 | 54.87 e | ±1.71 | 1.34 f,g | ±0.31 |
| CLS | 0.68 c | ±0.07 | 0.75 c | ±0.07 | 56.71 c | ±3.31 | 1.27 g | ±0.52 |
| LGW | 0.57 d,e | ±0.13 | 0.46 f | ±0.08 | 59.39 a | ±1.06 | 1.31 g | ±0.19 |
| JAS | 0.59 d | ±0.14 | 0.50 f | ±0.21 | 59.50 a | ±3.41 | 1.30 g | ±0.40 |
| BAS | 0.55 e | ±0.15 | 0.27 h | ±0.18 | 59.16 a | ±1.47 | 1.52 f | ±0.25 |
| BDM | 0.69 b,c | ±0.08 | 0.83 b | ±0.11 | 53.10 g | ±1.93 | 2.27 d | ±0.30 |
| MGB | 0.6 c | ±0.10 | 0.71 c,d | ±0.29 | 55.20 e | ±1.46 | 1.97 e | ±0.27 |
| MOB | 0.67 c | ±0.10 | 0.49 f | ±0.11 | 58.01 b | ±0.97 | 1.99 e | ±0.20 |
| DGR | 0.60 d | ±0.12 | 0.63 e | ±0.09 | 52.99 g | ±1.65 | 1.51 f | ±0.29 |
| BKR | 0.56 e | ±0.14 | 0.50 f | ±0.11 | 27.54 i | ±2.22 | 14.64 a | ±1.32 |
| WRO | 0.45 f | ±0.16 | 0.39 g | ±0.12 | 29.60 h | ±2.32 | 7.95 b | ±0.94 |
| Rice Sample | b | SE | YI | SE |
|---|---|---|---|---|
| KHO | −1.61 f | ±1.81 | −4.17 i | ±4.69 |
| SRS | −0.91 e | ±0.42 | −2.42 g,h | ±1.12 |
| BMB | 0.70 c | ±0.65 | 1.78 e,f | ±1.64 |
| CLP | −0.34 d | ±0.40 | −0.88 g | ±1.05 |
| ARB | −0.16 d | ±0.82 | −0.40 f,g | ±2.16 |
| CLS | −0.35 d | ±1.01 | −0.91 g | ±2.52 |
| LGW | −1.82 f | ±0.31 | −4.38 i | ±0.76 |
| JAS | −1.43 f | ±0.36 | −3.56 h,i | ±0.50 |
| BAS | −1.53 f | ±1.60 | −3.71 h,i | ±3.87 |
| BDM | 3.91 b | ±1.03 | 10.55 d | ±2.88 |
| MGB | 4.72 a | ±2.02 | 12.22 c,d | ±5.23 |
| MOB | 1.08 c | ±0.63 | 2.67 e | ±1.57 |
| DGR | 4.86 a | ±1.81 | 13.18 c | ±5.09 |
| BKR | 4.97 a | ±2.35 | 25.11 a | ±10.43 |
| WRO | 4.19 b | ±2.88 | 19.59 b | ±13.50 |
Средние значения, обозначенные разными буквами для каждого параметра, указывают на значимые различия, выявленные с помощью дисперсионного анализа (ANOVA) ( p < 0,001) и критерия честной значимой разницы Тьюки (HSD) (α < 0,05). Сокращения названий образцов приведены в таблице 1, а морфо-колориметрические параметры — в таблице 2.
У образца WRO было самое низкое среднее значение Cir (0,46), в то время как образцы короткозернистого риса, такие как CLP (0,91) и BMB (0,91), были среди образцов с высокими средними значениями. AR — это отношение длины большой и малой осей, и оно показало низкие средние значения среди образцов короткозернистого риса (1,63–1,97) по сравнению с образцами средне- и длиннозернистого риса (2,06–5,19).
Образцы короткозернистого риса, такие как CLP (0,74), BMB (0,73), KHO (0,72) и SRS (0,72), были образцами риса с высокими средними значениями Ext, а образец WRO (0,45) был образцом риса с самым низким значением Ext. APIdx, рассчитанный с использованием площади пикселя и отношения периметра, показал, что BAS (0,27) имел самое низкое среднее значение среди образцов риса. Среди всех образцов рис WRO имел высокое значение AR и низкие значения Cir, Ext и APIdx, что указывает на то, что его размер и форма отличаются от других типов риса, которые очень длинные и узкие, отражая его характеристики как длинного и тонкого зерна.
Среднее значение L было выше для образцов белого риса, таких как JAS (59,46), LGW (59,38) и BAS (59,16), а более низкие значения L были получены для сильно пигментированного риса, такого как BKR и WRO (27,54 и 29,60 соответственно). В отличие от L, значение YI для WRO и BKR было выше, чем для образцов белого риса.
Обратные тенденции для параметров L и YI описывали соответственно светлость и желтизну рисового зерна. Низкое положительное значение наблюдалось в средних значениях a для всех образцов белого риса, а более высокие средние значения были получены для обоих сильно пигментированных образцов риса. Образцы нешлифованного риса имели более высокое значение b по сравнению с образцами белого риса.
3.2. Многомерный анализ данных
На рисунке 7а показан биплот PCA для девяти морфо-колориметрических параметров и 15 образцов коммерческого риса из набора данных, полученных с помощью складной световой палатки. PCA объяснил 82,7% общей изменчивости данных (PC1: 59,8%; PC2: 22,90%). На основе факторных нагрузок (FL) первая главная компонента (PC1) характеризовалась AR (FL = 0,40) и YI (FL = 0,34) на положительной стороне оси, тогда как Ext (FL = −0,39), Cir (FL = −0,39) и L (FL = −0,34) представляли PC1 на отрицательной стороне. Вторая главная компонента (PC2) в основном была представлена b (FL = 0,43) и Y1 (FL = 0,41) на положительной стороне и L (FL = −0,35) на отрицательной стороне.
Рис. 7. Многомерный анализ данных для ( а ) биплота анализа главных компонентов (PCA) для морфо-колориметрических параметров 17 коммерческих сортов риса, где PC1 = первый главный компонент, PC2 = второй главный компонент; и ( б ) кластерного анализа образцов коммерческого риса на основе морфо-колориметрических параметров. Сокращения для морфо-колориметрических параметров и образцов риса приведены в таблицах 1 и 2.
Колориметрические параметры, такие как YI, b и a, положительно коррелировали и ассоциировались с BKR и, в меньшей степени, с образцами коричневого риса, такими как MGB, DGR и BDM, которые расположены в центре PCA. Напротив, L отрицательно коррелировал с последними параметрами и ассоциировался с MOB (коричневым рисом). Морфометрические параметры, такие как Ext, Cir, FD и APIdx, имели положительную корреляцию и ассоциировались с большинством образцов риса, относящихся к коротко- и среднезернистым сортам. Параметр AR отрицательно коррелировал с последними параметрами и ассоциировался с длиннозернистым рисом (JAS, LGW и BAS).
На рисунке 7b показан кластерный анализ с использованием евклидовой связи метода главных компонент (PCA) на основе девяти морфо-колориметрических параметров для группировки риса. Нешлифованный рис, рис дикого риса (WRO) и рис коричневого риса (BKR) были объединены в одну группу, в то время как остальные образцы риса были сгруппированы в одну группу. Аналогично, на рисунке 7a показаны группы образцов риса, идентифицированные как черный рис (BKR) и дикий рис (WRO), коричневый рис (DGR, MGB и BDM) и длиннозерный рис (JAS, LGW и BAS). Однако четкого различия между короткозерным (BMB, CLP, KHO и SRS) и среднезерным (ARB и CLS) рисом не наблюдалось.
3.3. Моделирование с использованием машинного обучения
В таблице 4 представлены статистические результаты классификации товарных зерен риса на основе девяти морфо-колориметрических параметров с использованием алгоритма байесовской регуляризации. Обе модели классификации показали высокую общую точность (>90%), при этом значение MSE было ниже на этапе обучения (MSE < 0,01), чем на этапе тестирования (MSE = 0,01). Кроме того, для обеих моделей была получена сопоставимая точность на этапах обучения и тестирования. Это свидетельствует об отсутствии признаков недообучения или переобучения моделей.
Таблица 4. Статистические результаты модели ИНС с использованием алгоритма байесовской регуляризации искусственной нейронной сети.
| Stage | Sample (n) | Accuracy (%) | Error (%) | Performance (MSE) |
|---|---|---|---|---|
| Model 1 (Neurons = 7) | ||||
| Training | 2687 | 95.0 | 5.0 | <0.01 |
| Validation | – | – | – | – |
| Testing | 1152 | 87.8 | 12.2 | 0.01 |
| Overall | 3839 | 92.9 | 7.1 | – |
| Model 2 (Neurons = 10) | ||||
| Training | 6887 | 91.6 | 8.4 | <0.01 |
| Validation | – | – | – | – |
| Testing | 2952 | 88.5 | 11.5 | 0.01 |
| Overall | 9839 | 90.7 | 9.3 | |
На рисунке 8 показана кривая рабочих характеристик приемника (ROC) зависимости истинно-положительных результатов (чувствительности) от ложно-положительных результатов для обеих моделей ИНС, предназначенных для классификации товарных зерен риса. Судя по графику, кривые ближе к истинно-положительным результатам по оси Y, что показывает, что модель классификации имеет высокие показатели истинно-положительных результатов (чувствительности) для правильной классификации образцов риса. Это также показывает, что модели обладают высокой прогностической способностью для классификации по каждому типу риса.
3.4. Оценка классификации товарных сортов риса с использованием машинного обучения.
В таблице 5 показана точность применения разработанных моделей для классификации новых наборов данных образцов риса. Производительность модели при классификации образцов риса (n = 50) показала высокую среднюю точность 93,9%. Результаты также показали, что модель успешно классифицировала все образцы риса в соответствии с их классификацией с точностью ≥82%, что является приемлемым для применения.
Таблица 5. Результаты проверки точности развертывания при тестировании на новом наборе данных, полученном с помощью лайтбокса 2D PhotoBench 120. Сокращения для образцов риса приведены в таблице 1.
| Rice Sample | Class | Deployment Accuracy (%) |
|---|---|---|
| KHO | 1 | 96.0 |
| SRS | 2 | 94.2 |
| BMB | 3 | 96.0 |
| CLP | 4 | 82.0 |
| ARB | 5 | 94.0 |
| CLS | 6 | 94.0 |
| LGW | 7 | 87.8 |
| JAS | 8 | 98.0 |
| BAS | 9 | 88.0 |
| BDM | 10 | 94.0 |
| MGB | 11 | 98.0 |
| MOB | 12 | 92.0 |
| DGR | 13 | 96.0 |
| BKR | 14 | 98.0 |
| WRO | 15 | 100.0 |
| Mean (%) | 93.9 |
4. Обсуждение
4.1. Морфо-колориметрические характеристики
Разработанные коды для извлечения девяти морфо-колориметрических параметров были модифицированы из предыдущих работ по классификации листьев сортов винограда [40] и китайских лекарственных растений [25]. Новизна этой работы заключалась во включении безразмерных морфологических параметров, поэтому расстояние камеры от рисовых зерен может варьироваться в зависимости от настроек.
В качестве параметров фрактального анализа FD ранее использовался Jinorose et al. [64] для изучения влияния процесса пропаривания и времени приготовления на физические изменения вареных рисовых зерен на основе анализа изображений. Морфометрические параметры позволили различить группы короткозернистого риса, что подтверждается высокими средними значениями FD, Cir, Ext, APIdx и низким AR. Более того, Cir и AR показали свой потенциал в качестве ключевых параметров для моделирования ML при классификации ARB и CLS в рамках аналогичной группировки. Это согласуется с данными Calingacion et al. [37], который предположил, что эти виды риса относятся к категории риса средней длины с крупными зернами.
Колориметрические параметры, полученные из риса, показали, что белый рис и нешлифованный рис различаются из-за пигментации на отрубном слое нешлифованного зерна. Кроме того, образцы риса ARB, CLP и BMB, используемые для ризотто и паэльи, имеют меловые зерна, которые более непрозрачны, чем полупрозрачные сорта риса, такие как LGW, JOM и JSR [65].
Высокая пигментация образцов риса BKR и WRO, различающихся высоким значением a (красноты), согласуется с предыдущими исследованиями, которые предполагают, что пигментация этих типов риса связана с красноватым цветом рисовых зерен [17, 66]. Высокая пигментация соответствует содержанию каротиноидов и антоцианов, которые связаны со значительными преимуществами для здоровья [67].
Известно, что разные цвета рисовых зерен могут зависеть от нескольких факторов, таких как сорта, степень помола, выдержка и процесс пропаривания. Предыдущее исследование показало, что взаимосвязь между меловидностью и физико-химическими свойствами риса отражается в высоком накоплении общего крахмала, низком содержании общего белка и аминокислот в меловидной части [68].
Кроме того, процесс помола для полировки бурого риса путем удаления отрубей для производства белого риса также может влиять на изменение цвета рисовых зерен, поскольку разные типы риса могут полироваться с разной степенью помола в процессе [21, 69]. Поэтому существенные различия в пигментации зерен были признаны важными параметрами для разработки модели классификации при использовании контролируемого машинного обучения в процессе проектирования параметров контролируемого машинного обучения.
4.2. Многомерный анализ данных
На основе анализа главных компонентов и кластерного анализа было установлено, что большинство образцов короткозернистого и среднезернистого риса сгруппированы, что подтверждается высокой степенью сходства между образцами риса, что может быть объяснено их положительной связью с FD, Cir и Ext и отрицательной связью с AR. Обычно AR используется для классификации риса по трем классам формы: крупный (<2), средний (2,1–3) и тонкий (>3) [70].
Это может быть объяснено предыдущим исследованием, проведенным Калингасьоном и др. [37], в котором как короткозернистые, так и среднезернистые сорта риса могут иметь крупную и среднюю форму. Поскольку анализ главных компонентов и кластерный анализ показали нечеткое разделение между образцами риса, было важно изучить потенциал моделирования машинного обучения для классификации риса.
4.3. Моделирование с использованием машинного обучения
Для моделей машинного обучения, разработанных в этом исследовании, были получены сопоставимые значения MSE на этапах обучения и тестирования, что подразумевает отсутствие признаков переобучения в разработанной модели [71]. Аналогичный результат из предыдущей работы был получен на основе сравнительного эмпирического исследования алгоритмов BR и LM для разработки модели ANN для прогнозирования социальных данных. Алгоритм BR показал лучшие результаты, чем алгоритм LM, в прогнозировании данных и подтвердил свою эффективность при работе с данными высокой сложности [62].
В предыдущем исследовании сообщалось о классификации трех типов изображений коммерческого риса басмати с использованием классификатора k-ближайших соседей (k-NN) на основе морфометрических параметров, таких как площадь, большая ось, малая ось, эксцентриситет и периметр [72]. Однако общая точность классификации составила 79%, что может привести к неудовлетворительной оценке во время развертывания. Более того, использование конкретных размеров риса может поставить под угрозу точность моделей при использовании различных настроек, особенно расстояния камеры от интересующих объектов.
В отличие от этого, Анами и др. [73] сравнили модели классификации, разработанные с использованием многослойной нейронной сети обратного распространения (BPNN), машины опорных векторов (SVM) и k-NN, для классификации пяти уровней фальсификации зерна риса. Последняя модель была разработана с использованием комбинации параметров цвета и текстуры, извлеченных из изображений.
Модель BPNN была определена как лучшая модель для классификации уровня фальсификации риса со средней точностью 93,31%. Однако для достижения сопоставимой точности потребовалось большое количество входных данных (40 коэффициентов главных компонент) по сравнению с настоящим исследованием, в котором использовалось всего девять легко получаемых морфо-колориметрических входных данных. Таким образом, данное исследование демонстрирует важность выбора соответствующих входных данных, классификаторов, алгоритмов обучения и гиперпараметров для оптимизации точности классификации, что может помочь избежать недообучения и переобучения, а также снизить высокие вычислительные затраты.
В исследовании использовалось стандартное разделение данных: 70% для обучения и 30% для тестирования, поскольку это представляло достаточное количество образцов в каждой категории. Этот метод использует независимые наборы образцов для каждого этапа и оценивает общую точность, включая все образцы. Аналогичное разделение данных для разработки моделей ИНС использовалось в предыдущих исследованиях [35, 59, 74]. Кроме того, было проведено несколько попыток переобучения для оценки согласованности результатов, при этом во всех попытках были получены схожие результаты. Более того, развертывание с использованием новых данных дополнительно подтверждает точность и производительность модели.
4.4. Внедрение модели машинного обучения для классификации
Одной из проблем, связанных с поддержкой практического применения в различных контролируемых условиях, является высокая чувствительность к условиям освещения и настройкам камеры, что приводит к высокой вероятности ошибочной классификации при тестировании на новом наборе данных, полученном в других условиях. Поэтому для оценки точности развертывания исходной модели 1 была разработана модель 2 с использованием новых наборов данных, полученных из Lightbox 2.
Высокая точность развертывания показала, что разработанная модель, основанная на безразмерных морфологических параметрах, является надежной и устойчивой. В отличие от существующих моделей классификации, разработанная в данном исследовании модель ИНС включала в качестве целевых объектов широкий и сложный диапазон коммерческих образцов риса, включая белый, коричневый, черный и дикий рис. Таким образом, модель демонстрирует устойчивость при классификации различных коммерческих сортов риса, доступных на мировом рынке.
Преимущество использования безразмерных параметров заключается в том, что пользователь может получать изображения без строгих настроек. Предложенный метод не зависит от типа камеры и расстояния камеры до объекта. Более того, модель классификации была разработана с использованием двух систем лайтбоксов, что повышает обобщаемость модели и её адаптируемость к новым данным.
Работа, выполненная в рамках данного исследования, имеет большое значение для рисовой промышленности, поскольку извлеченные морфо-колориметрические параметры были связаны с восприятием потребителями качества сырого [6, 7, 8, 9] и вареного риса [6, 10, 11]. Таким образом, эти параметры могут предсказывать восприятие потребителями риса, связанное с внешними качественными характеристиками различных сортов риса.
Кроме того, автоматическое извлечение признаков и моделирование с помощью ИНС помогут отрасли сертифицировать сорта риса и предотвратить фальсификацию [75]; более того, моделирование с помощью ИНС на основе извлечения признаков в качестве входных данных также может быть использовано для определения восприятия потребителями и параметров качества, как это было сделано для других продуктов питания и напитков [57, 59, 76].
Предложенный пошаговый подход к обеспечению качества позволяет избежать ручного анализа и деструктивной оценки, а также сэкономить время по сравнению с традиционным описательным сенсорным анализом с участием квалифицированных экспертов. Использование камеры смартфона для получения изображений в сочетании с полуавтоматическим алгоритмом компьютерного зрения может ускорить разработку, сделав этот метод экономически эффективным, удобным, быстрым и простым в использовании. Более того, поскольку смартфон портативен, он может поддерживать оценку на месте, вместо использования специализированного оборудования в лаборатории.
5. Выводы
В данном исследовании представлен экономически эффективный и быстрый метод классификации образцов коммерческого риса, полученных с помощью камеры смартфона. Он был достигнут путем интеграции алгоритмов компьютерного зрения для извлечения морфо-колориметрических параметров и машинного обучения для классификации 15 типов зерен коммерческого риса.
Высокая точность классификации была достигнута на основе моделей машинного обучения, разработанных с использованием безразмерных параметров в качестве входных данных, полученных из различных световых коробов, что повышает обобщающую способность модели. Необходимы дальнейшие исследования для установления связи между этими легко получаемыми параметрами и другими качественными характеристиками и параметрами состава зерен риса, важными для отрасли.
Более того, предложенные в этом исследовании методики могут быть применены в отрасли для разработки приложения для смартфонов, интегрированного с облачными вычислениями, для автоматической оценки восприятия потребителями качественных характеристик риса в режиме реального времени. Последнее достигается путем получения сенсорных ощущений потребителей через изображения риса и вареного риса. Это может помочь отрасли в удобном мониторинге качества риса на всех этапах цепочки поставок, а также на уровне конечного потребителя.
Литература
- 1.Butardo V.M., Sreenivasulu N. Improving head rice yield and milling quality: State-of-the-art and future prospects. In: Sreenivasulu N., editor. Rice Grain Quality: Methods and Protocols. Springer; New York, NY, USA: 2019. [DOI] [PubMed] [Google Scholar]
- 2.Li H., Fitzgerald M.A., Prakash S., Nicholson T.M., Gilbert R.G. The Molecular Structural Features Controlling Stickiness in Cooked Rice, a Major Palatability Determinant. Sci. Rep. 2017;7:43713. doi: 10.1038/srep43713. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 3.Yanjie X., Yining Y., Shuhong O., Xiaoliang D., Hui S., Shukun J., Shichen S., Jinsong B. Factors Affecting Sensory Quality of Cooked Japonica Rice. Rice Sci. 2018;25:330–339. doi: 10.1016/j.rsci.2018.10.003. [DOI] [Google Scholar]
- 4.Graham-Acquaah S., Mauromoustakos A., Cuevas R.P., Manful J.T. Differences in Physicochemical Properties of Commercial Rice from Urban Markets in West Africa. J. Food Sci. Technol. 2020;57:1505–1516. doi: 10.1007/s13197-019-04186-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 5.Zhu L., Bi S., Wu G., Zhang H., Wang L., Qian H., Qi X., Jiang H. Comparative Analysis of the Texture and Physicochemical Properties of Cooked Rice Based on Adjustable Rice Cooker. LWT. 2020;130:109650. doi: 10.1016/j.lwt.2020.109650. [DOI] [Google Scholar]
- 6.Custodio M.C., Cuevas R.P., Ynion J., Laborte A.G., Velasco M.L., Demont M. Rice Quality: How Is It Defined by Consumers, Industry, Food Scientists, and Geneticists? Trends Food Sci. Technol. 2019;92:122–137. doi: 10.1016/j.tifs.2019.07.039. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 7.Keith T., John M., Joseph G., Bernice K., Tamakloe I. Study of Sensory Evaluation, Consumer Acceptability, Affordability and Market Price of Rice. J. Sci. Food Agric. 2007;87:1564–1575. doi: 10.1002/jsfa.2889. [DOI] [Google Scholar]
- 8.Cuevas R.P., Pede V.O., McKinley J., Velarde O., Demont M. Rice Grain Quality and Consumer Preferences: A Case Study of Two Rural Towns in the Philippines. PLoS ONE. 2016;11:e0150345. doi: 10.1371/journal.pone.0150345. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 9.Mottaleb K.A., Rahut D.B., Mishra A.K. Modeling Rice Grain-Type Preferences in Bangladesh. Br. Food J. 2017;119:2049–2061. doi: 10.1108/BFJ-10-2016-0485. [DOI] [Google Scholar]
- 10.Champagne E.T., Bett-Garber K.L., Fitzgerald M.A., Grimm C.C., Lea J., Ohtsubo K., Jongdee S., Xie L., Bassinello P.Z., Resurreccion A., et al. Important Sensory Properties Differentiating Premium Rice Varieties. Rice. 2010;3:270–281. doi: 10.1007/s12284-010-9057-4. [DOI] [Google Scholar]
- 11.Meullenet J.F., Griffin V.K., Carson K., Davis G., Davis S., Gross J., Hankins J.A., Sailer E., Sitakalin C., Suwansri S., et al. Rice External Preference Mapping for Asian Consumers Living in The United States. J. Sens. Stud. 2001;16:73–94. doi: 10.1111/j.1745-459X.2001.tb00291.x. [DOI] [Google Scholar]
- 12.Jeesan S.A., Seo H.-S. Color-Induced Aroma Illusion: Color Cues Can Modulate Consumer Perception, Acceptance, and Emotional Responses toward Cooked Rice. Foods. 2020;9:1845. doi: 10.3390/foods9121845. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 13.USDA . United States Standards for Rice. Federal Grain Inspection Service; Washington, DC, USA: 2009. Revised. [Google Scholar]
- 14.Bao J. Rice. Elsevier; Amsterdam, The Netherlands: 2019. Rice milling quality; pp. 339–369. [Google Scholar]
- 15.Marschalek R., Silva M.C., dos Santos S.B., Manke J.R., Bieging C., Porto G., Wickert E., de Andrade A. Image—Rice Grain Scanner: A Three-Dimensional Fully Automated Assessment of Grain Size and Quality Traits. Crop Breed. Appl. Biotechnol. 2017;17:89–97. doi: 10.1590/1984-70332017v17n1s15. [DOI] [Google Scholar]
- 16.Santos M.V., Cuevas R.P.O., Sreenivasulu N., Molina L. Rice Grain Quality. Springer; Berlin/Heidelberg, Germany: 2019. Measurement of rice grain dimensions and chalkiness, and rice grain elongation using image analysis; pp. 99–108. [DOI] [PubMed] [Google Scholar]
- 17.Tikapunya T., Fox G., Furtado A., Henry R. Grain Physical Characteristic of the Australian Wild Rices. Plant Genet. Resour. Charact. Util. 2017;15:409–420. doi: 10.1017/S1479262116000083. [DOI] [Google Scholar]
- 18.Sreenivasulu N., Misra G., Bandyopadhyay A., Badoni S. Project Breeding for Low Chalk in Rice. ACIAR; Canberra, Australia: 2019. [Google Scholar]
- 19.Misra G., Badoni S., Parween S., Singh R.K., Leung H., Ladejobi O., Mott R., Sreenivasulu N. Genome-wide Association Coupled Gene to Gene Interaction Studies Unveil Novel Epistatic Targets among Major Effect Loci Impacting Rice Grain Chalkiness. Plant Biotechnol. J. 2020;19:910–925. doi: 10.1111/pbi.13516. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 20.Senthil Kumar M., Javeed M. An Efficient Rice Variety Identification Scheme Using Shape, Harlick & Color Feature Extraction and Multiclass SVM. Int. J. Eng. Adv. Technol. 2019;8:3629–3632. doi: 10.35940/ijeat.F9362.088619. [DOI] [Google Scholar]
- 21.Zareiforoush H., Minaei S., Alizadeh M.R., Banakar A. Qualitative Classification of Milled Rice Grains Using Computer Vision and Metaheuristic Techniques. J. Food Sci. Technol. 2016;53:118–131. doi: 10.1007/s13197-015-1947-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 22.Sun C., Liu T., Ji C., Jiang M., Tian T., Guo D., Wang L., Chen Y., Liang X. Evaluation and Analysis the Chalkiness of Connected Rice Kernels Based on Image Processing Technology and Support Vector Machine. J. Cereal Sci. 2014;60:426–432. doi: 10.1016/j.jcs.2014.04.009. [DOI] [Google Scholar]
- 23.Parveen Z., Alam M.A., Shakir H. 2017 International Conference on Communication, Computing and Digital Systems (C CODE) IEEE; Manhattan, NY, USA: 2017. Assessment of quality of rice grain using optical and image processing technique; pp. 265–270. [DOI] [Google Scholar]
- 24.Itsarawisut J., Kanjanawanishkul K. Neural Network-Based Classification of Germinated Hang Rice Using Image Processing. IETE Tech. Rev. 2019;36:375–381. doi: 10.1080/02564602.2018.1487806. [DOI] [Google Scholar]
- 25.Xue J.R., Fuentes S., Poblete-Echeverria C., Viejo C.G., Tongson E., Du H.J., Su B. Automated Chinese Medicinal Plants Classification Based on Machine Learning Using Leaf Morpho-Colorimetry, Fractal Dimension and Visible/near Infrared Spectroscopy. Int. J. Agric. Biol. Eng. 2019;12:123–131. doi: 10.25165/j.ijabe.20191202.4637. [DOI] [Google Scholar]
- 26.De-la-Torre M., Zatarain O., Avila-George H., Muñoz M., Oblitas J., Lozada R., Mejía J., Castro W. Multivariate Analysis and Machine Learning for Ripeness Classification of Cape Gooseberry Fruits. Processes. 2019;7:928. doi: 10.3390/pr7120928. [DOI] [Google Scholar]
- 27.Azarmdel H., Jahanbakhshi A., Mohtasebi S.S., Muñoz A.R. Evaluation of Image Processing Technique as an Expert System in Mulberry Fruit Grading Based on Ripeness Level Using Artificial Neural Networks (ANNs) and Support Vector Machine (SVM) Postharvest Biol. Technol. 2020;166:111201. doi: 10.1016/j.postharvbio.2020.111201. [DOI] [Google Scholar]
- 28.Duan L., Han J., Guo Z., Tu H., Yang P., Zhang D., Fan Y., Chen G., Xiong L., Dai M., et al. Novel Digital Features Discriminate between Drought Resistant and Drought Sensitive Rice under Controlled and Field Conditions. Front. Plant Sci. 2018;9:492. doi: 10.3389/fpls.2018.00492. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 29.Ruslan R., Khairunniza-Bejo S., Rukunudin I.H., Jahari M., Ibrahim M. Development of a Machine Vision System for Rice Seed Inspection System. Food Res. 2020;4:150–156. doi: 10.26656/fr.2017.4(S6).049. [DOI] [Google Scholar]
- 30.Sung H.-J., Park M.-K., Choi J.W. Automatic Grader for Flatfishes Using Machine Vision. Int. J. Control. Autom. Syst. 2020;18:3073–3082. doi: 10.1007/s12555-020-0007-7. [DOI] [Google Scholar]
- 31.Kaisaat K., Keawdonree N., Chomkokard S., Jinuntuya N., Pattanasiri B. Colour Measurements of Pigmented Rice Grain Using Flatbed Scanning and Image Analysis. J. Phys. Conf. Ser. 2017;901:2–5. doi: 10.1088/1742-6596/901/1/012069. [DOI] [Google Scholar]
- 32.Wu W., Liu T., Zhou P., Yang T., Li C., Zhong X., Sun C., Liu S., Guo W. Image Analysis-Based Recognition and Quantification of Grain Number per Panicle in Rice. Plant Methods. 2019;15:1–14. doi: 10.1186/s13007-019-0510-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 33.Komyshev E., Genaev M., Afonnikov D. Evaluation of the Seed Counter, a Mobile Application for Grain Phenotyping. Front. Plant Sci. 2017;7:1–9. doi: 10.3389/fpls.2016.01990. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 34.Kapur S. Computer Vision with Python 3. Packt Publishing Ltd.; Birmingham, UK: 2017. [Google Scholar]
- 35.Viejo C.G., Fuentes S., Hernandez-Brenes C. Smart Detection of Faults in Beers Using Near-Infrared Spectroscopy, a Low-Cost Electronic Nose and Artificial Intelligence. Fermentation. 2021;7:117. doi: 10.3390/fermentation7030117. [DOI] [Google Scholar]
- 36.Fuentes S., Tongson E., Unnithan R.R., Viejo C.G. Early Detection of Aphid Infestation and Insect-Plant Interaction Assessment in Wheat Using a Low-Cost Electronic Learning Modeling. Sensors. 2021;21:5948. doi: 10.3390/s21175948. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 37.Calingacion M., Laborte A., Nelson A., Resurreccion A., Concepcion J.C., Daygon V.D., Mumm R., Reinke R., Dipti S., Bassinello P.Z., et al. Diversity of Global Rice Markets and the Science Required for Consumer-Targeted Rice Breeding. PLoS ONE. 2014;9:e85106. doi: 10.1371/journal.pone.0085106. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 38.Gunaratne A., Wu K., Kong X., Gan R.Y., Sui Z., Kumara K., Ratnayake U.K., Senarathne K., Kasapis S., Corke H. Physicochemical Properties, Digestibility and Expected Glycaemic Index of High Amylose Rice Differing in Length-Width Ratio in Sri Lanka. Int. J. Food Sci. Technol. 2020;55:74–81. doi: 10.1111/ijfs.14232. [DOI] [Google Scholar]
- 39.Mittal S., Dutta M.K., Issac A. Non-Destructive Image Processing Based System for Assessment of Rice Quality and Defects for Classification According to Inferred Commercial Value. Measurement. 2019;148:106969. doi: 10.1016/j.measurement.2019.106969. [DOI] [Google Scholar]
- 40.Fuentes S., Hernández-Montes E., Escalona J.M., Bota J., Gonzalez Viejo C., Poblete-Echeverría C., Tongson E., Medrano H. Automated Grapevine Cultivar Classification Based on Machine Learning Using Leaf Morpho-Colorimetry, Fractal Dimension and near-Infrared Spectroscopy Parameters. Comput. Electron. Agric. 2018;151:311–318. doi: 10.1016/j.compag.2018.06.035. [DOI] [Google Scholar]
- 41.Verdú S., Barat J.M., Grau R. Fresh-Sliced Tissue Inspection: Characterization of Pork and Salmon Composition Based on Fractal Analytics. Food Bioprod. Process. 2019;116:20–29. doi: 10.1016/j.fbp.2019.04.008. [DOI] [Google Scholar]
- 42.Rahimi J., Baur J., Singh A. Digital Imaging as a Tool to Study the Structure of Porous Baked Foods. J. Cereal Sci. 2020;95:103084. doi: 10.1016/j.jcs.2020.103084. [DOI] [Google Scholar]
- 43.De Bei R., Fuentes S., Gilliham M., Tyerman S., Edwards E., Bianchini N., Smith J., Collins C. Viticanopy: A Free Computer App to Estimate Canopy Vigor and Porosity for Grapevine. Sensors. 2016;16:585. doi: 10.3390/s16040585. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 44.Plantix The Smart Crop Assistant on Your Smartphone. [(accessed on 6 March 2021)]. Available online: https://plantix.net/en/
- 45.Wang Z., Koirala A., Walsh K., Anderson N., Verma B. In Field Fruit Sizing Using a Smart Phone Application. Sensors. 2018;18:3331. doi: 10.3390/s18103331. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 46.Yang M., Hsu Y., Tseng W., Lu C., Yang C., Lai M., Wu D. Assessment of Grain Harvest Moisture Content Using Machine Learning on Smartphone Images for Optimal Harvest Timing. Sensors. 2021;21:5875. doi: 10.3390/s21175875. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 47.Mezgec S., Koroušić Seljak B. NutriNet: A Deep Learning Food and Drink Image Recognition System for Dietary Assessment. Nutrients. 2017;9:657. doi: 10.3390/nu9070657. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 48.Yu Z., Ustin S.L., Zhang Z., Liu H., Zhang X., Meng X., Cui Y., Guan H. Estimation of a New Canopy Structure Parameter for Rice Using Smartphone Photography. Sensors. 2020;20:4011. doi: 10.3390/s20144011. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 49.Rhim J.W., Wu Y., Weller C.L., Schnepf M. Physical Characteristics of a Composite Film of Soy Protein Isolate and Propyleneglycol Alginate. J. Food Sci. 1999;64:149–152. doi: 10.1111/j.1365-2621.1999.tb09880.x. [DOI] [Google Scholar]
- 50.Lurstwut B., Pornpanomchai C. Image Analysis Based on Color, Shape and Texture for Rice Seed (Oryza sativa L.) Germination Evaluation. Agric. Nat. Resour. 2017;51:383–389. doi: 10.1016/j.anres.2017.12.002. [DOI] [Google Scholar]
- 51.Richardson M. Principal Component Analysis. [(accessed on 3 September 2021)]. Available online: http//people.maths.ox.ac.uk/richardsonm/SignalProcPCA.pdf.
- 52.Abdi H., Williams L.J. Principal Component Analysis. Wiley Interdiscip. Rev. Comput. Stat. 2010;2:433–459. doi: 10.1002/wics.101. [DOI] [Google Scholar]
- 53.Wold S., Esbensen K., Geladi P. Principal Component Analysis. Chemom. Intell. Lab. Syst. 1987;2:37–52. doi: 10.1016/0169-7439(87)80084-9. [DOI] [Google Scholar]
- 54.Alkarkhi A.F.M., Alqaraghuli W.A.A. Easy Statistics for Food Science with R. Academic Press; Oxford, UK: 2019. Principal components analysis; pp. 125–141. [Google Scholar]
- 55.Syms C. Principal components analysis. In: Jørgensen S.E., Fath B.D., editors. Encyclopedia of Ecology. Academic Press; Oxford, UK: 2008. pp. 2040–2949. [Google Scholar]
- 56.Gonzalez Viejo C., Torrico D.D., Dunshea F.R., Fuentes S. Emerging Technologies Based on Artificial Intelligence to Assess the Quality and Consumer Preference of Beverages. Beverages. 2019;5:62. doi: 10.3390/beverages5040062. [DOI] [Google Scholar]
- 57.Gonzalez Viejo C., Fuentes S., Li G.J., Collmann R., Condé B., Torrico D. Development of a Robotic Pourer Constructed with Ubiquitous Materials, Open Hardware and Sensors to Assess Beer Foam Quality Using Computer Vision and Pattern Recognition Algorithms: RoboBEER. Food Res. Int. 2016;89:504–513. doi: 10.1016/j.foodres.2016.08.045. [DOI] [PubMed] [Google Scholar]
- 58.Gonzalez Viejo C., Fuentes S., Torrico D.D., Howell K., Dunshea F.R. Assessment of Beer Quality Based on a Robotic Pourer, Computer Vision, and Machine Learning Algorithms Using Commercial Beers. J. Food Sci. 2018;83:1381–1388. doi: 10.1111/1750-3841.14114. [DOI] [PubMed] [Google Scholar]
- 59.Gonzalez Viejo C., Torrico D.D., Dunshea F.R., Fuentes S. Development of Artificial Neural Network Models to Assess Beer Acceptability Based on Sensory Properties Using a Robotic Pourer: A Comparative Model Approach to Achieve an Artificial Intelligence System. Beverages. 2019;5:33. doi: 10.3390/beverages5020033. [DOI] [Google Scholar]
- 60.Beale M.H., Hagan M.T., Demuth H.B. Deep Learning Toolbox User’s Guide. Mathworks Inc.; Natick, MA, USA: 2020. [Google Scholar]
- 61.Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press; Cambridge, MA, USA: 2016. [Google Scholar]
- 62.Kayri M. Predictive Abilities of Bayesian Regularization and Levenberg-Marquardt Algorithms in Artificial Neural Networks: A Comparative Empirical Study on Social Data. Math. Comput. Appl. 2016;21:20. doi: 10.3390/mca21020020. [DOI] [Google Scholar]
- 63.Tokan F., Türker N., Yıldırım T. ROC analysis as a useful tool for performance evaluation of artificial neural networks. In: Kollias S., Stafylopatis A., Duch W., Oja E., editors. International Conference on Artificial Neural Networks. Springer; Berlin/Heidelberg, Germany: 2006. pp. 923–931. [Google Scholar]
- 64.Jinorose M., Prachayawarakorn S., Soponronnarit S. A Novel Image-Analysis Based Approach to Evaluate Some Physicochemical and Cooking Properties of Rice Kernels. J. Food Eng. 2014;124:184–190. doi: 10.1016/j.jfoodeng.2013.08.009. [DOI] [Google Scholar]
- 65.Huggins T.D., Chen M., Fjellstrom R.G., Jackson A.K., McClung A.M., Edwards J.D. Association Analysis of Three Diverse Rice (Oryza sativa L.) Germplasm Collections for Loci Regulating Grain Quality Traits. Plant Genome. 2019;12:1–21. doi: 10.3835/plantgenome2017.09.0085. [DOI] [PubMed] [Google Scholar]
- 66.Saikia S., Dutta H., Saikia D., Mahanta C.L. Quality Characterisation and Estimation of Phytochemicals Content and Antioxidant Capacity of Aromatic Pigmented and Non-Pigmented Rice Varieties. Food Res. Int. 2012;46:334–340. doi: 10.1016/j.foodres.2011.12.021. [DOI] [Google Scholar]
- 67.Melini V., Acquistucci R. Health-Promoting Compounds in Pigmented Thai and Wild Rice. Foods. 2017;6:9. doi: 10.3390/foods6010009. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 68.Lin Z., Zheng D., Zhang X., Wang Z., Lei J., Liu Z., Li G., Wang S., Ding Y. Chalky Part Differs in Chemical Composition from Translucent Part of Japonica Rice Grains as Revealed by a Notched-Belly Mutant with White-Belly. J. Sci. Food Agric. 2016;96:3937–3943. doi: 10.1002/jsfa.7793. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 69.Lamberts L., de Bie E., Vandeputte G.E., Veraverbeke W.S., Derycke V., de Man W., Delcour J.A. Effect of Milling on Colour and Nutritional Properties of Rice. Food Chem. 2007;100:1496–1503. doi: 10.1016/j.foodchem.2005.11.042. [DOI] [Google Scholar]
- 70.Cruz N.D., Khush G.S. Rice Grain Quality Evaluation Procedures. Aromat. Rices. 2000;3:15–28. [Google Scholar]
- 71.Castillo E., Iglesias A., Ruiz-Cobo R. Functional Equations in Applied Sciences. Elsevier; Amsterdam, The Netherlands: 2004. [Google Scholar]
- 72.Kambo R., Yerpude A. Classification of Basmati Rice Grain Variety Using Image Processing and Principal Component Analysis. Int. J. Comput. Trends Technol. 2014;11:80–85. doi: 10.14445/22312803/IJCTT-V11P117. [DOI] [Google Scholar]
- 73.Anami B.S., Malvade N.N., Palaiah S. Automated Recognition and Classification of Adulteration Levels from Bulk Paddy Grain Samples. Inf. Process. Agric. 2019;6:47–60. doi: 10.1016/j.inpa.2018.09.001. [DOI] [Google Scholar]
- 74.Summerson V., Viejo C.G., Torrico D.D., Pang A. Detection of Smoke-Derived Compounds from Bushfires in Cabernet-Sauvignon Grapes, Must, and Wine Using Near-Infrared Spectroscopy and Machine Learning Algorithms. OENO One. 2020;54:1105–1119. doi: 10.20870/oeno-one.2020.54.4.4501. [DOI] [Google Scholar]
- 75.Vemireddy L.R., Satyavathi V.V., Siddiq E.A., Nagaraju J. Review of Methods for the Detection and Quantification of Adulteration of Rice: Basmati as a Case Study. J. Food Sci. Technol. 2015;52:3187–3202. doi: 10.1007/s13197-014-1579-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 76.Gonzalez Viejo C., Caboche C.H., Kerr E.D., Pegg C.L., Schulz B.L., Howell K., Fuentes S. Development of a Rapid Method to Assess Beer Foamability Based on Relative Protein Content Using RoboBEER and Machine Learning Modeling. Beverages. 2020;6:28. doi: 10.3390/beverages6020028. [DOI] [Google Scholar]
Авторы: Aimi Aznan, Claudia Gonzalez Viejo, Alexis Pang, Sigfredo Fuentes