Разработка алгоритма оценки антиоксидантных свойств экстрактов вишни методами искусственного интеллекта

Актуальность. Инструменты искусственного интеллекта играют всё более важную роль в пищевых технологиях и биотехнологиях, значительно ускоряя и улучшая различные процессы. Оперативный контроль колориметрических параметров вишневых экстрактов с помощью компьютерного зрения позволяет быстро оценить содержание биоактивных веществ без затрат на экспериментальные исследования.
Методы. Объектами исследования являются образцы вишневых экстрактов. Для получения изображений опытных образцов подготовлены разведения от 2 до 0,25%. Цветовые характеристики экстрактов определяли с помощью колориметра NR60CP. Количественное определение суммарного содержания полифенолов в растворах экстрактов различной концентрации проводили методом Фолина — Чокальтеу. В качестве входных данных для классификации объектов и составления базы данных получали изображения RGB с цифровой камеры (50 МП). Для разработки программного обеспечения по обработке изображений использовали язык программирования Python, библиотеку OpenCV и TensorFlow. TensorFlow извлекает признаки из фотографий и добавляет их в базу данных.
Результаты. Результаты исследований показали, что с увеличением содержания биоактивных веществ — полифенолов — цвет экстрактов изменяется, становится темнее, что подтверждают и результаты оценки цветовых характеристик колориметром: с повышением концентрации повышается краснота и снижается светлота образцов. Создана база данных путем извлечения признаков с помощью библиотеки TensorFlow из готовых изображений образцов. Разработана программа оценки содержания полифенолов в экстрактах на языке программирования Python. Описанная модель системы мониторинга качества экстрактов с помощью компьютерного зрения может облегчить в промышленных масштабах определение содержания биоактивных веществ, требующих значительных затрат времени и ресурсов.

1. Sarkar T. et al. Application of bio-inspired optimization algorithms in food processing. Current Research in Food Science. 2022; 5: 432–450. https://doi.org/10.1016/j.crfs.2022.02.006

2. Sarkar T. et al. The Fuzzy Cognitive Map-Based Shelf-life Modelling for Food Storage. Food Analytical Methods. 2022; 15(3): 579–597. https://doi.org/10.1007/s12161-021-02147-5

3. Дмитриев Н.Д., Рогозина Е.А. Применение инновационных технологий на пищевых предприятиях. Вестник университета. 2020; (7): 36–44. https://doi.org/10.26425/1816-4277-2020-7-36-44

4. Meinert C. et al. Food safety and food security through predictive microbiology tools: a short review. Potravinarstvo Slovak Journal of Food Sciences. 2023; 17: 324–342. https://doi.org/10.5219/1854

5. Sarkar T. et al. Underutilized green leafy vegetables: frontier in fortified food development and nutrition. Critical Reviews in Food Science and Nutrition. 2023; 63(33): 11679–11733. https://doi.org/10.1080/10408398.2022.2095555

6. Shafiq M. et al. Development and quality cum nutritional assessment based on physical properties for corn extruded snacks enriched with protein and carbohydrates: а remedy to malnutrition for society. Potravinarstvo Slovak Journal of Food Sciences. 2024; 18: 633–653. https://doi.org/10.5219/1942

7. Abdel Salam S.G. et al. Bioactive components and antibacterial activity of raw and boiled Egyptian pepper. Journal of Microbiology, Biotechnology and Food Sciences. 2024; 14(3): e11878. https://doi.org/10.55251/jmbfs.11878

8. Smaoui S. et al. Beyond Conventional Meat Preservation: Saddling the Control of Bacteriocin and Lactic Acid Bacteria for Clean Label and Functional Meat Products. Applied Biochemistry and Biotechnology. 2024; 196(6): 3604–3635. https://doi.org/10.1007/s12010-023-04680-x

9. Kalandarov P.I., Abdullaev Kh.Kh., Khaitov A.N., Sharifov Kh.S., Murodova G.F. Modeling of biotechnological objects. BIO Web of Conferences. 2024; 108: 25005. https://doi.org/10.1051/bioconf/202410825005

10. Кобринский Б.А. Доверие к технологиям искусственного интеллекта. Искусственный интеллект и принятие решений. 2024; (3): 3–17. https://doi.org/10.14357/20718594240301

11. Skuliabina O., Petrova K., Nass O., Bapiyev I., Vakhitova A., Baigubenova S. et al. An approach to creating a thinking process in systems empowered with intelligence using 3D environments. E3S Web of Conferences. 2023; 389: 07001. https://doi.org/10.1051/e3sconf/202338907001

12. Mukherjee A. et al. Development of Artificial Vision System for Quality Assessment of Oyster Mushrooms. Food Analytical Methods. 2022; 15(6): 1663–1676. https://doi.org/10.1007/s12161-022-02241-2

13. Sarkar T. et al. Expert Knowledge-Based System for Shelf-Life Analysis of Dairy Cheese Ball (Rasgulla). Food Analytical Methods. 2022; 15(7): 1945–1960. https://doi.org/10.1007/s12161-022-02261-y

14. Mishra M. et al. Allergen30: Detecting Food Items with Possible Allergens Using Deep Learning-Based Computer Vision. Food Analytical Methods. 2022; 15(11): 3045–3078. https://doi.org/10.1007/s12161-022-02353-9

15. Zribi M., Pagliuca P., Pitolli F. A Computer Vision-Based Quality Assessment Technique for the automatic control of consumables for analytical laboratories. Expert Systems with Applications. 2024; 256: 124892. https://doi.org/10.1016/j.eswa.2024.124892

16. Samoilova E.M. et al. Monitoring as an element of quality management system of technological systems. AIP Conference Proceedings. 2023; 2700(1): 020059. https://doi.org/10.1063/5.0125186

17. Gusynina Y.S., Shornikova T.A. Image processing and pattern recognition issues. Proceedings of SPIE. 2022; 12251: 122510B. https://doi.org/10.1117/12.2631054

18. Tikhonyuk N., Paytaeva K., Ivanova S. Digital Production and Biotechnology as a New Techno-Economic Paradigm. BIO Web of Conferences. 2023; 57: 01003. https://doi.org/10.1051/bioconf/20235701003

19. Kovshov E., Kuvshinnikov V., Dolgov N. Digital twins creation based on discrete modelling of non-destructive evaluation objects. E3S Web of Conferences. 2023; 431: 05003. https://doi.org/10.1051/e3sconf/202343105003

20. Degtyareva K.V., Nikolaev S.V., Nelyub V.A., Tynchenko V.S., Borodulin A.S. Automatic monitoring system designed to detect defects in PET preforms. E3S Web of Conferences. 2023; 458: 02002. https://doi.org/10.1051/e3sconf/202345802002

21. Rogozhina I., Guseva M., Andreeva E. Garment Production Quality Evaluation Using Machine Vision. Solovyov D.B., Savalei V.V., Bekker A.T., Petukhov V.I. (eds.). FarEastСon 2021. Proceeding of the International Science and Technology Conference. Singapore: Springer. 2022; 309–318. https://doi.org/10.1007/978-981-16-8829-4_27

22. Благовещенский И.Г. Использование системы компьютерного зрения для контроля в режиме онлайн качества сырья и готовой продукции пищевой промышленности. Пищевая промышленность. 2015; (6): 9–13. https://www.elibrary.ru/ulrkxx

23. Lysova N., Solari F., Montanari R. Investigating Research Trends in Computer Vision for Food Quality Control: A Bibliometric Approach. Procedia Computer Science. 2025; 253: 1923–1932. https://doi.org/10.1016/j.procs.2025.01.254

24. Костышина Е.Я. Цифровая экономика и компьютерное зрение: интеграция и практика применения в пищевой промышленности. Вестник ИМСИТа. 2024; (4): 27–33. https://www.elibrary.ru/cxqamm

25. Pandey D.K., Mishra R. Towards sustainable agriculture: Harnessing AI for global food security. Artificial Intelligence in Agriculture. 2024; 12: 72–84. https://doi.org/10.1016/j.aiia.2024.04.003

26. Бартенев Д.С., Илларионова Е.Е. Перспектива применения методов машинного зрения для контроля качества сухого молока. Пищевая промышленность. 2023; (12): 85–89. https://doi.org/10.52653/PPI.2023.12.12.017

27. Савостин С.Д., Бесфамильная Е.М., Вартанов Г.В., Василькин Д.П. Методология разработки программного обеспечения автоматизированного поиска сорной примеси в потоке с применением оборудования компьютерного зрения. Пищевая промышленность. 2024; (2): 68–71. https://doi.org/10.52653/PPI.2024.2.2.013

28. Миронченко В.И. Метод определения количества дефектных изделий в выборке по одному результату измерения. Измерительная техника. 2024; (2): 30–34. https://doi.org/10.32446/0368-1025it.2024-2-30-34

29. Толстель О.В., Ширкин А.Е., Калабин А.Л. Построение системы технического зрения для выравнивания содержимого упаковок дельта-манипулятором на пищевом производстве. Программные продукты и системы. 2023; 36(2): 334–341. https://doi.org/10.15827/0236-235X.142.334-341

30. Климачев С.А., Соловьев Н.А. Методика принятия решений на основе компьютерного зрения и выбора Парето-оптимальной альтернативы технологических параметров производства. Информационные технологии. 2023; 29(7): 382–388. https://doi.org/10.17587/it.29.382-388

31. Бобырь М.В., Емельянов С.Г., Милостная Н.А. Оптимизация числа проходов в задаче логической фильтрации изображений. Искусственный интеллект и принятие решений. 2023; (2): 98–107. https://doi.org/10.14357/20718594230208

32. Обухов А.Д., Назарова А.О. Метод управления на основе технологий компьютерного зрения и машинного обучения для адаптивных систем. Мехатроника, автоматизация, управление. 2023; 24(1): 14–23. https://doi.org/10.17587/mau.24.14-23

33. Диязитдинова А.А. Критерии совмещения изображений в двухкамерной системе технического зрения. Радиоэлектроника. Наносистемы. Информационные технологии. 2024; 16(2): 307–314. https://doi.org/10.17725/rensit.2024.16.307

34. Yoon W.B., An S., Oyinloye T.M., Kim J. Developing a Quality Control System in a Continuous Hot Air Heating Process in Surimi Seafood Processing Using Image Analysis and Artificial Intelligence. Processes. 2023; 11(11): 3187. https://doi.org/10.3390/pr11113187

35. Menezes G.L. et al. Empowering informed choices: How computer vision can assists consumers in making decisions about meat quality. Meat Science. 2025; 219: 109675. https://doi.org/10.1016/j.meatsci.2024.109675

36. Shahedi Y., Zandi M., Bimakr M. A computer vision system and machine learning algorithms for prediction of physicochemical changes and classification of coated sweet cherry. Heliyon. 2024; 10(20): e39484. https://doi.org/10.1016/j.heliyon.2024.e39484

37. Liu X.-Y., Yu J.-R., Deng H.-N. Non-Destructive Prediction of Anthocyanin Content of Rosa chinensis Petals Using Digital Images and Machine Learning Algorithms. Horticulturae. 2024; 10(5): 503. https://doi.org/10.3390/horticulturae10050503

38. Al-Saif A.M., Abdel-Sattar M., Aboukarima A.M., Eshra D.H., Górnik K. Physico-Chemical Properties Prediction of Flame Seedless Grape Berries Using an Artificial Neural Network Model. Foods. 2022; 11(18): 2766. https://doi.org/10.3390/foods11182766

39. Lund D.H., Alban L., Hansen C., Dalsgaard A., Denwood M., Olsen A. Using latent class modelling to evaluate the performance of a computer vision system for pig carcass contamination. Preventive Veterinary Medicine. 2025; 241: 106556. https://doi.org/10.1016/j.prevetmed.2025.106556

40. Kang Z., Zhou B., Fei S., Wang N. Predicting the greenhouse crop morphological parameters based on RGB-D Computer Vision. Smart Agricultural Technology. 2025; 11: 100968. https://doi.org/10.1016/j.atech.2025.100968

41. Sunil G.C., Khan A., Horvath D., Sun X. Evaluation of multispectral imaging for freeze damage assessment in strawberries using AI-based computer vision technology. Smart Agricultural Technology. 2025; 10: 100851. https://doi.org/10.1016/j.atech.2025.100851

42. Liao Q. et al. Improving traceability and quality control in the redmeat industry through computer vision-driven physical meat feature tracking. Food Chemistry. 2025; 480: 143830. https://doi.org/10.1016/j.foodchem.2025.143830

43. Anjali et al. State-of-the-art non-destructive approaches for maturity index determination in fruits and vegetables: principles, applications, and future directions. Food Production, Processing and Nutrition. 2024; 6: 56. https://doi.org/10.1186/s43014-023-00205-5