Gli utilizzi sono molteplici: previsione di fatti futuri a partire da uno storico, determinazione del grado di maturazione di frutta e verdura, lettura di codice a barre “sporchi”, agricoltura di precisione, tecniche di visione artificiale, AGV, classificazione di alimenti, tracciabilità della qualità e temperatura degli alimenti durante il trasporto.
Le reti neurali (ANN - Artificial Neural Network o, più semplicemente, NN - Neural Network) sono modelli matematici costituiti da neuroni artificiali che, nell’intento di replicarlo artificialmente, ricalcano il funzionamento del cervello umano, per raggiungere prestazioni cognitive il più simili possibili. Le applicazioni delle reti neurali riguardano l’elettronica, l’ingegneria, il controllo di veicoli e processi, la previsione, l’elaborazione di dati, analisi predittiva e molto altro ancora. Il funzionamento delle reti neurali prevede unità computazionali elementari o neuroni artificiali facenti parte di una rete più ampia con elevate capacità di elaborazione dei dati. Le reti neurali sono strettamente correlate al Deep Learning o apprendimento profondo, che si basa su algoritmi capaci di imitare la struttura neuronale del cervello umano. Queste reti neurali sono organizzate in modo da processare le informazioni per strati: uno di ingresso, uno, chiamato hidden, nascosto, e quello di uscita. Il primo strato riceve i dati che arrivano dall’esterno; il secondo li elabora e l’ultimo adatta i dati elaborati per il successivo livello della rete neurale. Funziona tutto a cascata: ciò che esce dal primo livello funge da informazione per il primo strato del secondo livello e così via. Parlando di reti neurali si fa spesso riferimento al Machine Learning, ovvero una branca dell’intelligenza artificiale grazie alla quale i sistemi vengono addestrati fino a identificare modelli e prendere decisioni autonomamente.
L’utilizzo delle reti neurali nelle aziende alimentari
Le reti neurali possono essere utilizzate dalle aziende alimentari ad esempio per prevedere il futuro a partire da uno storico, per individuare anomalie o per prevedere le risposte dei clienti al lancio di un nuovo prodotto o di una campagna pubblicitaria-marketing, proprio perché capaci di identificare e analizzare relazioni complesse tra una molteplicità di dati, anche non lineari. Quando ad esempio compriamo qualcosa online o scegliamo un film o una canzone, ci arrivano dei suggerimenti basati su quello che le reti neurali prevedono che potrebbe essere di nostro gradimento. L’analisi predittiva è in grado di ridurre i guasti imprevisti delle linee produttive, contribuendo a diminuire i costi di manutenzione e i fermo impianto imprevisti.
Altre applicazioni pratiche delle reti neurali riguardano la possibilità di determinare il grado di maturazione di frutta e verdura, monitorando i cambiamenti dei pigmenti, grazie all’utilizzo di un sensore di luce visibile capace di catturare dati spettrali accurati. Questi sono comparati con un data base di dati rilevati da diversi prodotti ortofrutticoli a più stadi di maturazione, selezionando quelli maturi da quelli che ancora non lo sono.
Le reti neurali possono aiutare a leggere i codice a barre “sporchi”, ovvero non perfettamente leggibili perché sfuocati, ruotati, con grinze ecc. Anche in questo caso occorre addestrare le reti neurali con una serie di campioni da cui prendere spunto. L’algoritmo elabora le informazioni, minimizza le interferenze di lettura, aumentando l’accuratezza rispetto agli strumenti tradizionali.
Le reti neurali servono anche la Smart Agriculture o agricoltura di precisione, per gestire in modo intelligente le attività agricole, ad esempio grazie alla predizione di patologie sulle piante, al riconoscimento e alla classificazione delle stesse, in modo da ridurre l’utilizzo di pesticidi e i consumi di acqua e migliorare la qualità dei prodotti stessi. L’utilizzo di sensori wi-fi, sul posto o sui droni consente di raccogliere i dati per poi essere elaborati da algoritmi di Deep Learning, incrociandoli, ad esempio, anche con le previsioni meteo. I dati processati possono essere utilizzati per prevedere eventuali problematiche, come la bassa o l’elevata umidità del terreno, la presenza di insetti, la quantità di sostanze presenti nel terreno, come i sali minerali, per intervenire al meglio e limitare le perdite. Una mappatura del livello di umidità del terreno consente un’irrigazione di precisione e un minore consumo di acqua. L’analisi dei dati potrebbe restringersi anche al singolo filare o alla singola pianta o frutto ed essere sfruttata per il riconoscimento di insorgenze di patologie o infestazioni. È possibile non solo individuare una contaminazione, ma anche classificare i livelli di rischio.
L’agricoltura di precisione interessa anche la sostenibilità ambientale: risparmio di risorse idriche, meno sprechi, meno fertilizzanti e insetticidi - pesticidi e numero di interventi sulle colture, consentono di ridurre la carbon footprint dei prodotti, il loro impatto idrologico e chimico sul terreno. Il vantaggio non sarà solo ambientale, ma anche di immagine aziendale, grazie a valori di sostenibilità sempre più apprezzati e premiati dai consumatori.
Allo stesso modo nel settore food & beverage le reti neurali e il deep learning possono essere utilizzati per l’identificazione dei contaminanti e dei difetti lungo la linea di produzione. Gli stessi detector a raggi X possono diventare più precisi e individuare i difetti in tempo reale, escludendo il prodotto non conforme, grazie all’addestramento delle reti neurali.
Altra applicazione riguarda la tracciabilità di filiera e la tutela di prodotti Made in Italy, DOP, IGP etc. o anche il riconoscimento di contaminazioni alimentari, ad esempio da insetti.
Gli AGV (automatic guided vehicle) sono robot automatizzati che trasportano la merce tra due punti del magazzino senza un conduttore, attraverso un circuito prestabilito, riducendo i tempi di movimentazione dei carichi. In questo ambito le reti neurali e il deep learning servono a misurare le prestazioni e il comportamento degli AGV, raccoglie informazioni sulla localizzazione, sul traffico, sull’utilizzo giornaliero e sull’interferenza di ostacoli, quali persone, carrelli elevatori in movimento, altri veicoli, al fine di migliorare il sistema, configurarlo e sfruttarlo al meglio.
Classificazione di alimenti con immagini
Su Food and Humanity (1 agosto 2023) è stato pubblicato uno studio dal titolo “A comparative study of deep learning methods for food classification with images” di Geeristico Suddul, Jean Fabrice, Laurent Seguin, che affronta l’aspetto dell’identificazione e della classificazione degli alimenti utilizzando l’intelligenza artificiale (AI) attraverso tecniche di visione artificiale, apprendimento profondo e trasferimento di apprendimento. In particolare, sono state testate diverse tecniche di visione artificiale basate sull’apprendimento automatico per il rilevamento degli alimenti dalle immagini, per individuare le più efficienti. Gli obiettivi sono stati in primo luogo identificare un dataset appropriato di immagini alimentari, poi valutare l’efficacia dei modelli di deep learning costruiti da zero e, infine, utilizzare il transfer learning applicando modelli con parametri pre-appresi. Allo scopo è stato utilizzato un dataset contenente oltre 16000 immagini di alimenti, classificate in 11 categorie: pane, latticini, dessert, uova, cibo fritto, carne, tagliatelle/pasta, riso, frutti di mare, zuppa e verdura/frutta. Sono state generate computazionalmente altre 15884 immagini per ciascun esperimento, con tecniche di aumento dei dati come rotazione, spostamento, taglio, zoom e capovolgimento. Gli esperimenti con diverse reti neurali convoluzionali (CNN) dimostrano che l’apprendimento del trasferimento con il modello EfficientNetV2 ha raggiunto una precisione di validazione significativa del 94,5% nella classificazione dei diversi tipi di alimenti dalle immagini.
Il campo della visione artificiale si è evoluto ulteriormente, con maggiori risorse informatiche, set di dati più grandi e reti neurali convoluzionali più avanzate. Questi miglioramenti possono contribuire ad aumentare ulteriormente la precisione della classificazione degli alimenti dalle immagini. Si arriverà a proporre il piatto più appropriato a una dieta specifica o a diverse condizioni di salute. La limitazione principale, attualmente, rimane il rilevamento e il riconoscimento dei diversi ingredienti in un piatto, dovuto all’indisponibilità di un’ampia varietà di set di dati di immagini di alimenti con etichette dettagliate. Il passo successivo è di utilizzare le reti neurali per l’identificazione dei nutrienti dalle immagini degli alimenti. Elencare gli ingredienti in ciascuna immagine raccolta può aiutare i modelli di deep learning a ottenere risultati migliori nella classificazione degli alimenti. Al momento, le rilevazioni numeriche non sono molto precise, ma in futuro le percentuali di errore si abbasseranno a valori accettabili. Gli studi si concentreranno sulla valutazione di come i modelli determinano le caratteristiche nelle immagini degli alimenti utilizzando la tecnica Gradient-weighted Class Activation Mapping (Grad-CAM), che consente di analizzare le reti addestrate, restituendo una mappa di probabilità.
Tracciabilità e temperatura durante il trasporto
La tracciabilità alimentare è un fattore critico che può garantire la sicurezza alimentare per aumentare la credibilità del prodotto, ottenendo così una maggiore soddisfazione e fidelizzazione degli utenti. Nello studio “BC driven IoT-based food quality traceability system for dairy product using deep learning model” di Noothi Manisha, Madiraju Jagadeeshwar, pubblicato su High-Confidence Computing lo scorso marzo, viene sviluppato un sistema di tracciabilità della qualità di prodotti lattiero-caseari che utilizza BC-Deep Residual Network (BC-DRN). Questo lavoro di ricerca si concentra principalmente sullo sviluppo di un sistema di tracciabilità della qualità alimentare utilizzando IoT, BC e Deep learning. La tecnica BC-DRN raccoglie i dati dai dispositivi IoT, che vengono poi convertiti in blocco dal BC.
Lo studio “An improved artificial neural network using multi-source data to estimate food temperature during multi-temperature delivery” (Yifeng Zou, Junzhang Wu, Xinfang Wang, Kimberly Morales, Guanghai Liu e Alessandro Manzardo - Journal of Food Engineering 22 marzo 2023) si è occupato invece di reti neurali utilizzate per stimare la temperatura degli alimenti durante il trasporto in veicoli multitemperatura. Lo scopo è di evitare sprechi e perdite dovuti a una cattiva gestione delle temperature della catena del freddo per gli alimenti deperibili. Questo studio ha sviluppato un innovativo modello ANN per stimare le temperature in tempo reale dei prodotti alimentari nei veicoli per la consegna. Per stimare la temperatura del carico in tempo reale nei veicoli sono stati utilizzati sensori di temperatura wireless, fondamentali per una gestione efficace del controllo della temperatura mediante l’apprendimento automatico utilizzando l’ANN. Il modello ANN proposto tiene conto dei parametri chiave che influenzano la temperatura dei prodotti alimentari, quali la temperatura esterna, quella iniziale dell’alimento, il tasso di perdita termica dell'involucro del veicolo, il tempo di carico/scarico e il numero di fermate per tali operazioni etc.
Stefania Milanello
Esperta in impianti alimentari e divulgatrice scientifica
