您是否曾經站在雜貨店陳列的蘋果前，試圖挑選出最好的蘋果，並想知道：“有這樣的應用程式嗎？”

目前用於預測食品品質的基於機器學習的電腦模型與人類的適應能力並不一致環境條件。儘管如此，阿肯色州農業實驗站研究中收集的資訊有一天可能會被用來開發該應用程序，並為雜貨店提供以更具吸引力的方式展示食品的見解，並優化加工設施中使用的機器視覺系統的軟體設計。

該研究由生物與農業工程系和食品學院智慧農業和食品製造助理教授王東一領導。科學部門，最近發表在食品工程雜誌。

雖然人類感知儘管食品品質可以透過照明來控制，但該研究表明，接受人類食品品質感知資料訓練的電腦在不同照明條件下可以做出更一致的食品品質預測。

「當研究機器學習模型的可靠性時，你需要做的第一件事就是評估人類的可靠性，」王說。“但人類的感知存在差異。我們正在努力做的是訓練我們的機器學習模型，使其更加可靠和一致。”

研究表明，利用人類在不同光照條件下對照片的感知數據，電腦預測誤差可以減少約 20%。它的表現優於既定的模型它使用圖片來訓練計算機，而不考慮人類感知的變化。

儘管機器視覺技術已在食品工程領域中廣泛研究和應用，但該研究指出，目前大多數演算法都是基於「人類標記的基本事實或簡單的顏色資訊」進行訓練的。作者表示，沒有研究考慮光照變化對人類感知的影響，以及偏差如何影響用於食品品質評估的機器視覺模型的訓練。

研究人員使用生菜來評估人類在不同光照條件下的感知，然後將其用於訓練電腦模型。感官評估是在實驗站的感官科學中心進行的。食品科學系教授兼感官科學中心主任 Han-Seok Seo 是這項研究的合著者。

在 109 名年齡範圍廣泛的參與者中，89 人完成了該研究人類感知可靠性階段的所有九個感官課程。沒有一個參與者是色盲或有視力問題。連續五天，小組成員每天評估 75 張長葉生菜的影像。他們以 0 到 100 的等級對生菜的新鮮度進行評分。

感官小組分級的生菜影像是在八天內拍攝的樣本，以提供不同程度的褐變。它們是在不同的照明亮度和色溫下拍攝的，範圍從藍色的“冷”色調到橙色的“暖”色調，以獲得包含 675 張圖像的數據集。

研究指出，幾種成熟的機器學習模型被用來評估與感官面板相同的圖像。不同的神經網路模型使用樣本圖像作為輸入，並經過訓練來預測相應的平均人類評分，以更好地模仿人類感知。

正如感官科學中心的其他實驗所見，人類對食品品質可以透過照明來操縱。例如，溫暖的環境顏色可以掩蓋生菜的褐變，王解釋。

王說，在不同照明條件下利用人類感知來訓練基於機器視覺的電腦的方法可以應用於從食品到珠寶的許多事物。

研究的其他合著者來自阿肯色大學，包括工程學院工業工程副教授張勝帆；Swarna Sethu，原生物與農業工程系博士後研究員，現任密蘇里南方州立大學電腦資訊科學助理教授；維多利亞‧J‧霍根 (Victoria J. Hogan)，食品科學系計畫助理。

更多資訊：王東一等，人類感知可靠嗎？從食品外觀進行光照穩健食品新鮮度預測－以生菜新鮮度評估為例，食品工程雜誌（2024）。DOI：10.1016/j.jfoodeng.2024.112179