Meksykańscy naukowcy opracowali system, który ma wykrywać więcej wad ziaren zielonej kawy

Jakość zielonej kawy ocenia się między innymi na podstawie liczby i rodzaju wad widocznych na ziarnach. Mogą one wpływać na smak, aromat, równomierność palenia, a w przypadku niektórych kategorii, także na bezpieczeństwo produktu. Autorzy przywołują badania wskazujące, że ziarna czarne i kwaśne częściej wiążą się z obecnością pleśni wytwarzających ochratoksynę A niż prawidłowe ziarna z tej samej partii.

W tradycyjnej ocenie próbkę 350 g sortuje ręcznie przeszkolony specjalista, zwykle przy odpowiednim oświetleniu. Metoda ta ma jednak ograniczenia, m.in.: wymaga czasu, ocena może różnić się między osobami, a ziarna nie zawsze są odwracane. Tymczasem część wad widoczna jest tylko po jednej stronie.

Dwie strony ziarna

Badacze opracowali niewielkie urządzenie, które podaje pojedyncze ziarna zielonej kawy w miejsce wykonywania zdjęć. Dwie kamery o rozdzielczości 16 megapikseli rejestrują kolejno obie główne powierzchnie ziarna: najpierw stronę zwróconą ku górze, a następnie, po mechanicznym obróceniu ziarna o 180°, stronę przeciwną.

Konstrukcja opiera się na rolkach i przekładniach, które zatrzymują ziarno na czas wykonania zdjęcia, a następnie przesuwają je dalej. Sterowanie oraz analiza obrazów odbywają się na komputerze jednopłytkowym Raspberry Pi 4. System przypisuje ziarnu rozpoznaną kategorię i jednocześnie zlicza liczbę ziaren w poszczególnych klasach.

Urządzenie nie ma tworzyć trójwymiarowego obrazu ziarna ani fotografować go pod każdym kątem. Jego zadaniem jest udokumentowanie dwóch powierzchni, na których zgodnie z katalogami SCA i NYBOT ocenia się wady zielonej kawy: strony płaskiej z podłużnym wcięciem na środku oraz strony wypukłej. Wąski pas boczny nie jest traktowany jako osobna powierzchnia oceny, a dwa wykonane zdjęcia obejmują, według autorów, około 88-92% całkowitej powierzchni ziarna.

Podział ziaren na klasy

Do badania wykorzystano partię zielonej kawy z regionu Veracruz w Meksyku. Dwie osoby posiadające uprawnienia Q-Grader ręcznie sklasyfikowały ziarna zgodnie z zasadami Specialty Coffee Association. Wyróżniono 12 klas: ziarna prawidłowe oraz 11 kategorii defektów: ziarna kwaśne, brokatowe, typu „perłowego/groszkowego", łupinowe, słoniowe, zamrożone, czarne, typu „ucho", połamane, wyschnięte i trójkątne.

Początkowy zbiór obejmował około 4000 zdjęć. Po zastosowaniu zabiegów cyfrowych, takich jak niewielkie obroty obrazu, zmiana jasności i rozmycie imitujące różnice w warunkach fotografowania, rozbudowano go do 9600 obrazów. Następnie porównano skuteczność czterech modeli rozpoznawania obrazu: VGG-16, VGG-19, ResNet-50 i YOLOv8.

Najlepsze wyniki uzyskał YOLOv8. Precyzja jego wskazań wyniosła 97,4%, a czułość 99,6%. Najlepiej rozpoznawane były ziarna trójkątne i typu „groszkowego” oraz ziarna wysuszone. Więcej trudności sprawiały ziarna połamane, czarne, kwaśne, łupinowe i typu „ucho”. Wynikało to z częściowego podobieństwa ich kształtu lub barwy do innych klas.

Najważniejszym wynikiem badania było porównanie ocen opartych na jednym i na dwóch zdjęciach tego samego ziarna. Zastosowanie dwóch kamer poprawiło średnią skuteczność rozpoznawania we wszystkich 12 klasach o 25,7% względnie. Liczba klas, dla których skuteczność przekroczyła 90%, wzrosła z dwóch do dziesięciu. Mechanizm obracania ziarna działał prawidłowo średnio w 91,3% prób. Najniższą skuteczność (84%), uzyskano dla ziaren połamanych.

Urządzenie analizowało próbkę 350 g, zawierającą około 2450-2680 ziaren, w około 40 minut. Autorzy porównali ten czas z ręczną oceną tej samej wielkości próbki. doświadczony klasyfikator potrzebował średnio około 70 minut, a osoba początkująca około 130 minut. Porównanie nie dotyczy jednak wyłącznie szybkości. Automatyczny system konsekwentnie wykonuje dwa zdjęcia każdego ziarna, podczas gdy w ręcznej ocenie odwrócenie wszystkich ziaren nie jest gwarantowane.

Potencjał zastosowania w przemyśle

Badanie pokazuje, że poprawa sposobu prezentowania ziarna przed kamerą może być równie ważna jak wybór samego modelu rozpoznawania obrazu. Nawet bardzo dobry program nie rozpozna wady, której nie zarejestrowała kamera. Z punktu widzenia laboratoriów oceniających jakość kawy system może ułatwić ocenę próbek i zmniejszyć ryzyko przeoczenia widocznych wad powierzchni.

Autorzy wyraźnie wskazują jednak ograniczenia pracy. Zbiór zdjęć pochodził z jednej partii kawy z jednego regionu, dlatego nie wiadomo jeszcze, czy model będzie równie skuteczny dla ziaren z innych miejsc uprawy, sezonów i sposobów przygotowania po zbiorze. Urządzenie jest też przeznaczone do oceny próbek laboratoryjnych, a nie do sortowania kawy w sposób ciągły na skalę przemysłową. Konieczne są dalsze testy na bardziej zróżnicowanym materiale oraz udoskonalenie rozpoznawania klas, które obecnie są ze sobą mylone.

Źródło: https://www.mdpi.com/2077-0472/16/16/1796