[論文レビュー] Deep Learning and Machine Vision for Food Processing: A Survey

Li Zhu, Petros Spachos+2 more|arXiv (Cornell University)|Mar 30, 2021

Spectroscopy and Chemometric Analyses参考文献 126被引用数 7

ひとこと要約

本サーベイは、食品の品質評価、欠陥検出、自動化に焦点を当て、食品処理におけるディープラーニングおよびマシンビジョン技術をレビューする。伝統的手法とディープラーニング手法を統合し、現在の課題を分析し、食品の安全性と効率性における今後の動向を提示する。

ABSTRACT

The quality and safety of food is an important issue to the whole society, since it is at the basis of human health, social development and stability. Ensuring food quality and safety is a complex process, and all stages of food processing must be considered, from cultivating, harvesting and storage to preparation and consumption. However, these processes are often labour-intensive. Nowadays, the development of machine vision can greatly assist researchers and industries in improving the efficiency of food processing. As a result, machine vision has been widely used in all aspects of food processing. At the same time, image processing is an important component of machine vision. Image processing can take advantage of machine learning and deep learning models to effectively identify the type and quality of food. Subsequently, follow-up design in the machine vision system can address tasks such as food grading, detecting locations of defective spots or foreign objects, and removing impurities. In this paper, we provide an overview on the traditional machine learning and deep learning methods, as well as the machine vision techniques that can be applied to the field of food processing. We present the current approaches and challenges, and the future trends.

研究の動機と目的

• 供給チェーン全体における食品処理におけるマシンビジョンおよびディープラーニングの応用を包括的にレビューすること。
• 食品の品質評価および欠陥検出における既存のアプローチの制限および課題を分析すること。
• パフォーマンスおよび適用可能性の観点から、伝統的な機械学習とディープラーニングモデルを比較すること。
• 自動化食品処理システムにおける主な研究ギャップおよび新たな動向を特定すること。
• 最新の手法および実装上の考慮事項を要約することで、産業界および学術界の導入を支援すること。

提案手法

• 食品処理に焦点を当てたコンピュータビジョンおよび機械学習分野の査読付き論文をサーベイすること。
• 食品の検査に用いられる手法を、伝統的な機械学習とディープラーニングベースのアプローチに分類すること。
• 食品グレーディング、欠陥検出、異物認識に用いられる画像処理パイプラインを分析すること。
• 食品関連の視覚的タスクに適した畳み込みニューラルネットワーク（CNN）およびその他のディープラーニングアーキテクチャを評価すること。
• 収穫、選別、貯蔵、品質管理の各段階における実世界の応用をレビューすること。
• データ不足、モデルの汎化性、リアルタイム配備などの技術的および実用的課題を特定すること。

実験結果

リサーチクエスチョン

• RQ1 食品の品質評価および欠陥検出に用いられる主なマシンビジョンおよびディープラーニング技術は何か？
• RQ2 食品処理応用において、ディープラーニングモデルは伝統的な機械学習手法と比べてどのように異なるか？
• RQ3 食品処理の各段階に視覚システムを導入するにあたり、主な技術的および運用上の課題は何か？
• RQ4 コンピュータビジョンを用いた自動化食品処理における現在の動向および今後の方向性は何か？
• RQ5 画像処理技術は、食品業界における食品の安全性向上および人的労働の軽減にどのように寄与できるか？

主な発見

• 畳み込みニューラルネットワーク（CNN）を含むディープラーニングモデルは、食品の品質分類および欠陥検出において、伝統的な機械学習手法を著しく上回る性能を示している。
• マシンビジョンシステムは、産業現場において高い精度で自動食品グレーディング、異物検出、不純物除去を実現している。
• 進展は見られるが、データの多様性、モデルの頑健性、変動する照明条件および食品の外観への対応におけるリアルタイム処理の課題は依然として残っている。
• ディープラーニングとマシンビジョンの統合により、食品処理の効率性と一貫性が向上し、人的労働への依存が低減されている。
• 今後の研究は、説明可能なAI、トランスファーラーニング、ドメイン適応に注力すべきであり、これにより異なる食品種へのモデルの汎化性が向上する。
• 標準化されたベンチマークおよびデータセットは依然として限られており、食品ビジョン研究における再現性および研究間比較を妨げている。