Неразрушающий скрининг продуктов: ИИ отличает бананы после карбида кальция по снимку со смартфона
99,74% точности на отложенной выборке - такой результат дал MobileNet-v2 в схеме глубокой классификации со «замороженным» backbone (DCF) в свежей публикации Scientific Reports (ноябрь 2026). Авторы предлагают неразрушающий скрининг продуктов питания: по снимкам со смартфона отличить бананы, дозревавшие карбидом кальция, от естественно созревших, в том числе когда в кадре несколько плодов. Для агро- и биолаборатории это не замена пищевой экспертизы, но ещё один аргумент, что визуальная аналитика на сериях снимков выходит за рамки «одного кадра в идеальном свете».
Почему карбид кальция снова в фокусе пищевой безопасности
Искусственное дозревание карбидом кальция (CaC2) авторы описывают как серьёзный риск: при длительном употреблении потребители могут контактировать с вредными соединениями. Классические методы обычно разрушают пробу, требуют спецоборудования или экспертной расшифровки, поэтому для быстрого осмотра на месте они мало пригодны.
Ранние ИИ-подходы, по мнению авторов, в основном проверяли одиночные бананы в контролируемых условиях, с ограниченным анализом устойчивости, вычислительной нагрузки и реалистичных сцен. Новая работа как раз бьёт в этот пробел.
Два контура ИИ: точность против «лёгкости» модели
Исследователи сравнили DCF и DFS (глубокие признаки + простой классификатор) на семи современных свёрточных и трансформерных backbone.
| Контур | Backbone | Что зафиксировали в abstract |
|---|---|---|
| DCF | MobileNet-v2 | 99,74% hold-out accuracy |
| DFS | MobileNet-v2 + логистическая регрессия | 95,46% hold-out, 95,40% при 5-fold CV; все 20 снимков в мультибанановой сцене классифицированы верно; ~0,65 GFLOPs и 0,177 с на изображение |
DFS-вариант авторы позиционируют как баланс качества и вычислительной стоимости для сцен, где в кадре смешаны естественно созревшие и обработанные плоды.
Мост к лаборатории: цифровое фенотипирование, а не полевой смартфон
Задача близка по логике к цифровому фенотипированию растений в контролируемой среде: серия изображений, фиксированный свет, повторяемый ракурс и алгоритм, который сравнивает признаки во времени. В отличие от рынка, здесь важны не «плоды в ящике», а морфология, цвет и рост технических и пищевых культур на протяжении цикла.
В блоге АССА уже разбирали смежные темы: морфологическое фенотипирование, цифровое фенотипирование растений и как выбрать камеру фенотипирования. Новость про бананы не делает камеру фенотипирования инструментом пищевой инспекции, но показывает, куда движется визуальная аналитика: от одиночного снимка к сценам с несколькими объектами и к компромиссу «точность / GFLOPs».
Если вам нужна камера для цифрового фенотипирования горшечных культур
Новость про бананы исходный материал для камеры фенотипирования не измеряла. Если ваша задача - серийная съёмка признаков растений в лаборатории или теплице, как отправную точку можно рассмотреть камеру Top Cloud-agri TP-Plant-VL3: RGB 25 Мп, до 72 кадров на объект, построение 3D-модели, растения до 500 мм в высоту по карточке производителя.
Александра, технический специалист по подбору лабораторного оборудования, поможет сопоставить конфигурацию с протоколом и условиями помещения. См. каталог камер для фенотипирования.
Тел.: 8 (499) 490-02-72
Email: blog@assa-group.ru
Итог
Публикация в Scientific Reports показывает, что неразрушающий скрининг продуктов питания на базе ИИ уже тестируют в реалистичных сценах с несколькими бананами, а лёгкие модели дают сравнимую точность при меньшей вычислительной нагрузке. Для лаборатории полезный вывод другой: визуальная аналитика на сериях снимков в стандартизованном свете остаётся основой цифрового фенотипирования растений, отдельно от пищевой экспертизы на рынке.
Источники:
- AI-based non-destructive food screening for detecting calcium carbide (CaC2)-treated bananas. Scientific Reports (2026). DOI: https://doi.org/10.1038/s41598-026-79484-0
Подписка на материалы блога
Оставьте email, чтобы получать новые статьи, новости и обновления товарного портфеля АССА.
