A Fujitsu és a Tokai Egyetem ultrahanghullámokat használó, mesterséges intelligenciával működő technológiát fejlesztett ki a fagyasztott tonhal frissességének ellenőrzésére. Mindez azért jó, mert a halat nem kell „megbontani” ahhoz, hogy megvizsgálják annak minőségét. Mellékesen megjegyezve, a világon ez az első olyan technológia, amely így képes megvizsgálni a hal minőségét. Ez a folyamat 70-80%-os pontossággal dolgozik, ami lehetőséget kínál a bizalom növelésére az elosztási láncokon keresztül, továbbá javítja a fogyasztók biztonságérzetét. A jövőbeni tervek közé tartozik az élelmiszerbiztonság javítása a húsiparban, valamint az orvostudományba is szeretnék beiktatni ezt a vizsgáló rendszert.
A közös kutatás az új, ultrahangos mesterséges intelligencia-technológia kifejlesztésére összpontosított. Ennek eredményeként jött létre a világ első olyan technikája, amely a fagyasztott tonhal húsminőségének mérésére képes anélkül, hogy a terméket fel kellene vágni vagy kárt okozni benne. Ez a technológia tehát új módszert kínál a fagyasztott tonhal minőségének ellenőrzésére anélkül, hogy csökkentené annak értékét. Ez egy napon hozzájárulhat a fagyasztott tonhal és más élelmiszertermékek globális forgalmazása iránti bizalom és biztonság fokozásához.
A közös kutatást mindkét fél bemutatta az Ultrahangkutatási Társaság Technikai Bizottsági Konferenciáján (amelynek házigazdája az IEICE), amelyet a japán Hirosima prefektúrában, Hirosima Cityben tartottak 2022. december 22. és december 23. között.
Háttér és kihívások
A tonhal iránti kereslet Japánban és világszerte egyaránt jelentősen megnőtt az utóbbi pár évben. 2020-ban egészen pontosan 15 ország halászott és termelt több mint 50 000 tonna tonhalat. A közelmúltbeli globális japán élelmiszer-robbanás megnövelte a keresletet a jó minőségű tonhal iránt, amelyet főleg sashimihez használnak.
A legtöbb vadon fogott, természetes tonhalat gyorsan lefagyasztják a kereskedelmi halászhajók fedélzetén, majd elosztókon keresztül éttermekbe és szupermarketekbe szállítják a fogyasztókhoz. A tonhal minősége azonban nagymértékben függ a halászat idején fennálló körülményektől és a terjesztési folyamat során történő kezelés módjától.
A fagyasztott tonhal frissességének és húsminőségének ellenőrzésére szolgáló hagyományos módszerek általában megkövetelik, hogy az ellenőrök levágják a hal farkát, hogy vizuálisan megvizsgálják a tonhal keresztmetszetét. A tonhal ezen részének levágása gyakran károsítja és végső soron csökkenti a hal értékét. Ez a folyamat eléggé kényes, ugyanis a minőségellenőrzés pontos elvégzésére képzett szakértőkre van szükség, amelyekből bizony nem sok van.
Az ultrahanghullámokat roncsolásmentes vizsgálati módszerként számos területen alkalmazzák a minőségellenőrzések során. A fagyasztott termékek, például a tonhal esetében azonban nehéznek bizonyult ez a folyamat az akusztikus hullámok nagy csillapítása miatt.
Eme problémák megoldására a Tokai Egyetem professzora, Keiichi Goto a Halászati Tanszékkel, a Tengertudományi és Technológiai Iskolával és a Fujitsu vezetésével közös kutatást végzett a fagyasztott tonhal alacsony frekvenciájú és csillapítású ultrahanghullámokkal való vizsgálata során, hogy megvizsgálják a hal frissességét. A hullámformák gépi tanulással történő elemzésével a két fél sikeresen kifejlesztette a világ első olyan módszerét, amellyel a fagyasztott tonhal frissességét meg lehet határozni, mindezt anélkül, hogy a terméket meg kellene rongálni.
A kutatás vázlata
Annak érdekében, hogy megtalálják az optimális ultrahangfrekvenciát a tonhal vizsgálatához, a Tokai Egyetem és a Fujitsu több hullámfrekvencián végzett kísérleteket. A tesztek azt mutatták, hogy a viszonylag alacsony, körülbelül 500 kHz-es frekvenciájú ultrahanghullámok optimális eredményeket hoztak.
Az elégtelen frissesség lehetséges mutatóinak meghatározásához a két fél összehasonlította a jó és a nem megfelelő frissességű tonhalminták ultrahang hullámformáit, hogy megvizsgálja, mennyire különböznek a minták frissességüktől függően. Ennek eredményeként a Tokai Egyetem és a Fujitsu felfedezte, hogy a nem megfelelő tonhalminta középső csontterületén a visszaverődés intenzitása különösen erős. Ezen kimutatások alapján a két fél egy, a tonhalminták középső csontjáról visszavert hullámokon alapuló gépi tanulási modellt hozott létre, amely képes a fagyasztott tonhal frissességének helyes, 70-80%-os pontosságú megítélésre.
Az újonnan kifejlesztett mesterséges intelligenciával működő technológia az emberi szem által könnyen megkülönböztethető hullámformákon túl a vizuálisan nehezen észlelhető hullámformák megkülönböztetésére is képes.
Az új technológia lehetséges felhasználási forgatókönyvei
A tengeri termékek nagykereskedői kézi eszközzel könnyen ellenőrizhetik az egész hal frissességét, amikor tonhalat vásárolnak a halászoktól. A már többször említett fejlesztést különböző létesítményekben, köztük a halászkikötőkben, valamint hevederes szállítószalagokkal ellátott helyeken végzett ellenőrzéseknél könnyen lehet alkalmazni, ugyanis ez egy teljesen automatizált folyamat.
Jövőbeli tervek
A jövőben a Tokai Egyetem és a Fujitsu további tonhal mintákkal végez majd kísérleteket az újonnan kifejlesztett technológia pontosságának növelése és a fagyasztott tonhal egyéb minőségi hibáinak, köztük a vérrögök és daganatok kimutatása érdekében.
A két partner azt tervezi, hogy a tengeri termékeket feldolgozó üzemekben terepi kísérleteket hajtanak végre, és kutatásokat végeznek a technológia széles körben történő alkalmazására, beleértve a fagyasztott termékeket feldolgozó állattenyésztést, a biológiai területet és az orvostudományt.
Ultrahangos AI technológia
Az AI-technológiák egy csoportja, amelyek az ultrahangos vizsgálattal nyert adatok feldolgozására specializálódtak. A csontokról visszavert ultrahanghullámok árnyékként jelennek meg az adatokban. Az ultrahangos adatok ezen jellemzőinek csökkentésével vagy felhasználásával a Fujitsu olyan mesterséges intelligenciával dolgozó technológiát fejleszt, amely ellenáll az olyan problémáknak, mint az ultrahangra jellemző zaj.
Gépi tanulás
Ez az AI egyik ágazata. Olyan technika, amelyben egy algoritmus automatikusan megtanulja az objektumok osztályozásához szükséges jellemzőket a betanítási adatokból. Ez egy olyan technológia, amely még a fejlesztők számára nehezen létrehozható összetett és finom minták esetében is kiváló teljesítményt nyújt.
Nem megfelelő frissesség
Ez egy olyan állapot, amelyben a posztmortem merevség előrehaladásával jön létre. A fagyasztott tonhal esetében a vágás utáni merevség a kifogás és a fagyasztás között alakul ki, és a posztmortem merevség állapotában lévő tonhal termékértéke alacsonyabb, mint a kifogás után közvetlenül lefagyasztott tonhal.
A Tokai Egyetem és a Fujitsu visszavert hullámokat használt fel a középső csontrészekből, és gépi tanulást hajtott végre 10 tonhalszeletből nyert 222 ultrahang hullámformából, egyaránt jó és nem megfelelő minőségben. A mintákon kívül a Tokai Egyetem és a Fujitsu 126 ultrahang-hullámformát számolt ki, hogy a jó minőségű szeletek hullámformái megkülönböztethetők-e a nem megfelelő minőségűektől. Ennek eredményeként a két partner jelentős különbséget fedezett fel a jó és nem megfelelő termékminták frissességi pontszámában.
A Tokai Egyetem és a Fujitsu a gépi tanulási modell pontosságát AUC-ROC (Area Under the Curve of the Receiver Operating Characteristic) görbe segítségével értékelte. A ROC-görbe a függőleges tengelyen a valódi pozitív arányt, a vízszintes tengelyen a hamis pozitív arányt mutatja, míg a görbe alatti terület 0,0 és 1,0 között van, és az 1,0 tökéletes pontérték. Általánosságban elmondható, hogy egy bizonyos szintű teljesítményt akkor lehet elérni, ha az érték magasabb, mint 0,7. Az új technológia, és az AUC-ROC segítsége eredményeként a Tokai Egyetem és a Fujitsu 0,791 értéket kapott, ami körülbelül 70-80%-os pontosságot jelent.
techkalauz.hu – az online techmagazin
