Autoreferat Metody sztucznej inteligencji w procesie identyfikacji jakości produktów rolno-spożywczych

Transkrypt

1 Dr inż. Krzysztof Koszela Uniwersytet Przyrodniczy w Poznaniu Wydział Rolnictwa i Bioinżynierii Instytut Inżynierii Biosystemów ul. Wojska Polskiego Poznań Autoreferat Metody sztucznej inteligencji w procesie identyfikacji jakości produktów rolno-spożywczych Poznań 2015

2 1. DANE OSOBOWE Imię i nazwisko: Krzysztof Koszela Miejsce pracy: Uniwersytet Przyrodniczy w Poznaniu Wydział Rolnictwa i Bioinżynierii Instytut Inżynierii Biosystemów Zakład Informatyki Stosowanej 2. EDUKACJA I PRZEBIEG PRACY ZAWODOWEJ Wydział Rolniczy, kierunek: Technika rolnicza i leśna, specjalizacja: informatyka w inżynierii rolniczej, Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu, tytuł magistra inżyniera (wynik b. dobry 5,0). Praca magisterska pt. Zastosowanie sztucznej inteligencji w inżynierii rolniczej Promotor: prof. dr hab. Piotr Boniecki Wydział Rolniczy, Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu, stopień doktora nauk rolniczych w dyscyplinie inżynieria rolnicza, specjalność: informatyka stosowana (uchwała Rady Wydziału Rolniczego Akademii Rolniczej im. Augusta Cieszkowskiego w Poznaniu z 16 listopada 2007 roku) Rozprawa doktorska pt. Analiza i klasyfikacja suszu warzywnego z wykorzystaniem sztucznych sieci neuronowych Promotor: prof. dr hab. Jerzy Weres Recenzenci: prof. dr hab. Piotr Boniecki prof. dr hab. Marek Tukiendorf INNE FORMY EDUKACJI Studium Przygotowania Pedagogicznego, Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu (wynik bardzo dobry 5,0). Numer zaświadczenia 2439 (załącznik 2.1) Szkolenie z zakresu metododyki analizy sensorycznej (poziom wg PN-ISO 8586 cz.1:1998). (załącznik 2.2). 2

3 3. PRZEBIEG PRACY ZAWODOWEJ Lp. Okres Miejsce pracy Etat/cześć Stanowisko Studia doktoranckie UP w Poznaniu Wydział Rolniczy Instytut Inżynierii Rolniczej UP w Poznaniu aktualnie Instytut Inżynierii Biosystemów UP w Poznaniu - - ½ etatu Pełen etat adiunkt adiunkt 4. CHARAKTERYSTYKA OSIĄGNIĘCIA NAUKOWOGO Zgodnie z Ustawą z dnia 14 marca 2003 r o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki (Dz.U. nr 65, poz. 595, z późn. zm.) Art. 16.1, moim osiągnięciem stanowiącym dorobek naukowy jest cykl publikacji powiązanych tematycznie w zakresie wykorzystania metod sztucznej inteligencji w procesie identyfikacji jakości produktów rolno-spożywczych OMÓWIENIE CYKLU JEDNOTEMATYCZNYCH PRAC STANOWIĄCYCH ROZPRAWĘ HABILITACYJNĄ pt. Metody sztucznej inteligencji w procesie identyfikacji jakości produktów rolno-spożywczych Wprowadzenie Problemy badawcze, które były przedmiotem pracy doktorskiej wyznaczyły w znacznym stopniu kierunki mojego dalszego rozwoju naukowego oraz główne obszary badań naukowych, w obrębie których realizowałem dotychczasowy dorobek naukowy. Główne zainteresowania naukowo-badawcze skupiłem na takich obszarach, jak: 1. Tworzenie systemów informatycznych wspomagających proces podejmowania decyzji w rolnictwie z wykorzystaniem metod sztucznej inteligencji. 2. Budowa modeli neuronowych z wykorzystaniem analizy obrazu, wspomagających analizę jakości oraz klasyfikację jakościową wybranych produktów rolno-spożywczych. W pierwszym obszarze, obejmującym zagadnienie tworzenia systemów informatycznych, wspomagających podejmowanie decyzji z wykorzystaniem sztucznej inteligencji, zajmowałem się następującymi zagadnieniami: 3

4 modelowanie dziedziny problemowej z wykorzystaniem inżynierii oprogramowania, tworzenie i implementacja programów komputerowych i systemów ekspertowych w zakresie wspomagania procesu podejmowania decyzji. Obszar pierwszy stanowi wiodącą problematykę, wokół której skoncentrował się mój rozwój naukowy. Badania te były kontynuacją oraz znacznym rozszerzeniem zakresu obiektów empirycznych podejmowanych w pracy doktorskiej. W pracach wykorzystywałem oraz doskonaliłem metody i techniki badawcze oraz metodyczne. Pogłębienie teoretycznych i praktycznych problemów przedmiotowego zagadnienia było związane z wielowymiarową analizą problemów w procesach wspomagania podejmowania decyzji w wielu obszarach badawczych. Przykładem takim mogą być programy komputerowe lub też systemy ekspertowe. Jednym z obszarów badawczych jest szeroko rozumiane rolnictwo. Jest ono gałęzią gospodarki, w której automatyzacja i informatyzacja rozwija się bardzo intensywnie, z uwzględnieniem znacznego zróżnicowania stosowanych w rolnictwie technologii (Koszela i Weres, 2005; Koszela i Weres, 2009). Przykładami mogą być przedsiębiorstwa przetwórcze lub gospodarstwa, w których rolnik ma do czynienia z wieloma specjalistycznymi maszynami oraz różnego rodzaju urządzeniami o wysokim stopniu zawansowania technicznego i zautomatyzowania (Koszela i in., 2013). Obecnie bardzo często tworzone są dedykowane programy lub systemy ekspertowe na potrzeby rolnictwa. Składa się na to wiele determinant takich, jak: potrzeba stosowania odpowiednich metod pozyskiwania i przetwarzania wiedzy oraz wykorzystanie odpowiednich technik wnioskowania, wynikająca z bardzo dużej złożoności współczesnych technologii wytwarzania, tworzenia aplikacji, które ułatwiają obsługę, a zarazem użytkowanie specjalistycznego sprzętu oraz pozwolą w sposób efektywny i skuteczny monitorować obsługę i eksploatację danej maszyny, urządzenia lub linii technologicznej, umiejętności implementacji dedykowanych systemów. Drugim z wymienionych obszarów mojej aktywności naukowo-badawczej były prace związane z neuronową analizą obrazów wspomagające weryfikację jakości i klasyfikację wybranych produktów rolno-spożywczych (Boniecki i in., 2010; Zaborowicz i in., 2013; Zaborowicz i in., 2014). Można stwierdzić, że współczesna technika informatyczna ma wiele narzędzi, którymi z dużą łatwością gromadzi się, przetwarza i przesyła dane. Najczęściej opisują one wybrane fragmenty rzeczywistości. Obecnie komputer nie tylko potrafi zbierać dane czy wykonywać na nich różne obliczenia, ale bardzo szybko i z dużą precyzją wyszukuje, porównuje oraz agreguje, co w konsekwencji ułatwia analizy danego zagadnienia. Do zrealizowania wielowymiarowych zagadnień badawczych, konstruowane są od wielu lat algorytmy i programy najbardziej zaawansowanej części informatyki, tak zwanej sztucznej inteligencji. Jako dziedzina informatyki, usytuowana na pograniczu wielu nauk ma ona charakter interdyscyplinarny. W ostatnich trzech dekadach cieszy się coraz większym zainteresowaniem, a jej narzędzia znajdują liczne zastosowania we współczesnym świecie. Po raz pierwszy termin sztuczna inteligencja został zaproponowany i 4

5 zdefiniowany w 1956 r. przez Johna McCarthy ego. Obecnie jest wiele różnych definicji sztucznej inteligencji (Duch, 1997; Haugeland, 1985; Kurzeweil, 1999; Rich i Knight, 1990; Schalkoff, 1990; Winston, 1992). Rosnąca liczba prac naukowo-badawczych z wykorzystaniem komputerowej analizy obrazów, komputerowego wspomagania decyzji i nowoczesnych narzędzi modelowania, jakimi są sztuczne sieci neuronowe, realizowana jest również w inżynierii rolniczej. Jednym z podstawowych celów w szeroko rozumianym rolnictwie jest dążenie do zwiększenia efektywności produkcji, ale przede wszystkim dążenie do poprawy parametrów jakościowych surowców, półproduktów i produktów. Jakość żywności ma kluczowe znaczenie, co wynika z tendencji do poprawy bezpieczeństwa spożywanych produktów. Jednocześnie zagadnienia związane z produkcją żywności opierają się nie tylko na podstawowym bezpieczeństwie produktowym, ale także identyfikacji i ocenie jakościowej związanej z walorami żywieniowymi oraz odżywczymi produktów. Wspomniane wymagania zmuszają producentów żywności oraz zajmujących się produkcją rolniczą do wdrażania coraz bardziej nowoczesnych technologii i systemów zarządzania jakością. Znaczące zmiany stylu życia współczesnego konsumenta, przy jednoczesnym wzroście jego świadomości zdrowotnej i żywieniowej, przyczyniły się do zwiększenia wymagań stawianych producentom żywności. Gwarancja i powtarzalność jakości produktu, obiektywna ocena stają się standardem, za który może zapłacić nabywca konsument. Dlatego też, ten czynnik bardzo często decyduje o powodzeniu ekonomicznym danego przedsiębiorstwa. Jakość produktów żywnościowych jest bardzo ważna dla konsumentów, gdyż wpływa na ich zdrowie. W literaturze występuje kilka definicji jakości produktów żywnościowych. Jedną z pierwszych była definicja Szczuckiego (1970), który postrzega jakość produktów żywnościowych jako stopień zdrowotności, atrakcyjności sensorycznej i dyspozycyjności w określonych warunkach procesu technologicznego. Natomiast Sikora (1995) zaproponował pojęcie żywności o gwarantowanej jakości, którą można uzyskać w wyniku stosowania systemów zapewnienia jakości w całym procesie technologicznym. Ogólną definicję jakości przedstawiono w normie ISO 9001:2008, do której odwołuje się wiele przedsiębiorstw. Jest to stopień, w jakim zbiór inherentnych właściwości spełnia wymagania. Przez słowo właściwości należy rozumieć zbiór cech jakościowych wyróżniających i różnicujących dany produkt żywnościowy. Słowo inherentny oznacza właściwości charakterystyczne dla danego typu produktu i zgodne z wymaganiami konsumenta. Te ostatnie zawierają wymagania i oczekiwania wobec produktu żywnościowego (Wiśniewska i Malinowska, 2011). Cechy jakościowe surowców, półproduktów czy produktów żywnościowych można określać, wykorzystując metody organoleptyczne i metody instrumentalne. Pierwsze są zaliczane do metod niemierzalnych ze względu na trudności oceny obiektywnej, natomiast drugie pozwalają na wyznaczenie różnych parametrów (np. stężeń zanieczyszczeń, ph, temperatury) określanych jako mierzalne. Wśród innych cech jakościowych produktów rolniczych, które decydują o pozytywnej lub negatywnej ocenie jakościowej, są barwa i kształt. Dlatego też, zazwyczaj atrybuty zewnętrzne (barwa) żywności jest jedną z istotnych cech, gdyż na podstawie wyglądu zewnętrznego konsument i klient decyduje o zakupie lub spożyciu danego produktu. Właściwa barwa 5

6 oraz kształt, odpowiadające tradycyjnie przyjętym normom, są ważnymi kryteriami oceny. Zazwyczaj ich zmiany są pierwszymi zauważalnymi wskaźnikami pogorszenia jakości, poprzedzając zmiany jakości sensorycznej (smaku, zapachu i wartości odżywczej). W ludzkiej świadomości tkwi wiele skojarzeń pomiędzy barwą a smakiem, dlatego te kryteria kształtują pierwsze ogólne wrażenie konsumenta. Obecnie istnieje kilka kryteriów oceny jakości produktów w tym pomiar kształtu i barwy. Pierwszą grupę oceny jakości produktów tworzą metody sensoryczne: stosują je wyspecjalizowane osoby weryfikujące, dlatego oceny cechuje mała powtarzalność bądź subiektywność. Na drugą grupę oceny jakości produktów składają się metody instrumentalne, które mają zastosowanie w urządzeniach pomiarowych. Ponieważ w tym przypadku stosuje się urządzenia dedykowane, badania są bardzo kosztowne i nie mają uniwersalnego charakteru pomiaru kilku cech, np. kształtu i barwy. Kolejną ich wadą (np. w spektrofotometrze) jest pomiar barwy z niewielkiego obszaru produktu, co może być mało reprezentatywne dla produktów pochodzenia roślinnego. Ponadto zastosowanie drogiej aparatury (np. spektrofotometry, chromatografy) w metodach instrumentalnych jest czasochłonne. Do tańszych metod instrumentalnych można zaliczyć sztuczne sensory smaku, które umożliwiają określenie tej niemierzalnej cechy jakościowej produktów żywnościowych. Można zatem stwierdzić, że oczekiwania rynkowe co do zapewnienia jakości w produktach rolniczych, szybkość działania i obiektywizm wymuszają poszukiwanie technologii nowoczesnych. Jednym z narzędzi spełniającym wymienione wymogi są sztuczne sieci neuronowe, systemy komputerowej analizy obrazów czy systemy ekspertowe w zakresie procesu wspomagania decyzji. Modelowanie neuronowe jest skutecznym narzędziem, pozwalającym odwzorować skomplikowane zależności pomiędzy odpowiednio wyselekcjonowanymi zmiennymi wejściowymi a prawidłowo zdefiniowanymi zmiennymi wyjściowymi (Tadeusiewicz, 1995). Dużą popularnością cieszy się również technika komputerowej analizy obrazu. Znalazła ona zastosowanie w sektorze rolno-spożywczym, automatyzując dotychczasowe manualne procesy wielu działań. Dlatego celem unowocześnienia sztucznego przetwarzania lub analizy obrazu jest przetworzenie i przeanalizowanie obiektów empirycznych, aby uzyskać istotną informację zakodowaną w obrazie cyfrowym. Ze względu na złożoność procesu działania sieci neuronowych wspomagających metodę komputerowej analizy obrazu wymaga się odpowiedniego formułowania problemów, które zamierza się rozwiązać za ich pomocą. Powstało już wiele prac na ten temat. Nowe możliwości stwarzają techniki rozpoznawania obrazów oraz techniki neuronowe (Boniecki i in., 2013; Kujawa i in. 2012; Boniecki i in., 2012). Komputerowa analiza obrazów jest pewnego rodzaju alternatywą do klasycznych metod oceny jakości produktów (Zayas i Steele, 1996; Majumdar i Jayas, 1999; Jayas, i in., 2000; Kavdır i Guyer, 2004). Na przykład Shouche i in. (2001) użyli skanera płaskiego do klasyfikacji odmian indyjskiej pszenicy. Z grupy 45 wskaźników wymiarów geometrycznych i kształtów utożsamiali 5, które obsługują dyskryminację odmianową. Utku (2000) wykorzystał kamerę CCD do opracowania systemu, który odróżnia 31 odmian pszenicy. W projekcie Chena i in. (2011) zastosowano komputerową analizę obrazu do separacji ziaren zbóż od nasion chwastów. Skuteczność tego projektu była duża, podobnie jak identyfikacja 6

7 odmian pszenicy, jęczmienia i żyta. Kształtowała się na poziomie 90%. Wymienieni autorzy sformułowali więc hipotezę, że możliwa jest neuronowa klasyfikacja jakości suszu warzyw na podstawie informacji pozyskanych ze zdjęć z wykorzystaniem metod komputerowej analizy obrazu. Klasyfikacja jest to proces dzielenia dowolnego zbioru elementów na grupy, do których zalicza się elementy różniące, ale podobne, tj. mające własności wyróżniające daną grupę. Jedną z prac wykorzystującą analizę obrazów oraz sztucznych sieci neuronowych jest praca Tukiendorfa (2003). Jej celem było wykazanie skuteczności prognozowania z wykorzystaniem modelowania neuronowego w technologii mieszania materiałów ziarnistych. W procesie mieszania systemem funnel-flow dokonywano akwizycji obrazu poszczególnych przekrojów mieszaniny, a następnie zapisu cyfrowego wartości RGB. Otrzymane dane były przygotowywane jako wejściowe do modelu neuronowego. Autor projektu, po fazie testowania, wykazał dużą poprawność uzyskanych wyników. Średni błąd kwadratowy pomiędzy wartościami obserwowanymi a estymowanymi na drodze predykcji nie przekraczał 5%. Trajer i in. (2003) przedstawili metodę identyfikacji wybranych odmian ziaren jęczmienia browarnego z wykorzystaniem komputerowej analizy obrazu (barwa, cechy geometryczne) w połączeniu z SSN. W pracy, jako cechy reprezentatywne, wybrano barwę w systemie RGB (ang. red, green, blue, akronim RGB) oraz długość i szerokość ziarniaków. Pomiary przeprowadzano na 18 odmianach jęczmienia browarnego. Ogólna skuteczność dla danych testujących wynosiła 58,1%. Zdaniem wymienionych autorów, klasyfikacja nie przyniosła oczekiwanych rezultatów, stąd kontynuacja prac nad projektem. W pracy Nadulskiego i Guza (2001) zastosowano analizę obrazu w badaniach procesu cięcia warzyw korzeniowych. Marchew poddano cięciu na plastry o grubości 3 mm. Następnie z wykorzystaniem odpowiedniej komory badawczej analizowano obrazy uzyskanych próbek badawczych. Głównym celem była ocena i analiza procesu cięcia na poszczególne przekroje. Autorzy wykazali dużą przydatność opisywanej metodyki. Podobny projekt badawczy został zrealizowany przez Zapotocznego (2002) oraz Zapotocznego i Białobrzeskiego (2002). Mierzyli oni wielkości geometryczne ogórków oraz określali barwę. W pierwszym przypadku porównywali wynik pomiaru za pomocą suwmiarki z wynikiem komputerowym. Błąd względny w zależności od odpowiedniej cechy (długość, szerokość, obwód, pole powierzchni) wahał się od 0,01 d o 2,44%. W projekcie dotyczącym mierzenia barwy w jednym z wniosków wskazano na słuszność wykorzystywania i stosowania komputerowej analizy obrazów do oceny jakości produktów spożywczych. Kolejną pracą badawczą była praca zespołowa Mahammada i in. (2001), w której, wykorzystując analizę obrazów i SSN, porównywano pomiary ziaren soczewicy trzema metodami (sitową, pomiar suwmiarką oraz z AI). Na podstawie 13 prób badawczych oraz 5 odmian autorzy wykazali dużą skuteczność zastosowania komputerowej analizy obrazu. Bardzo często SSN są wykorzystywane jako narzędzie klasyfikacyjne. Szczególnie dotyczy to zadań z trudno dostępną jawną wiedzą o problemie, danymi zakłóconymi lub problemem zmiennym w czasie. Klasyfikatory neuronowe umożliwiają dokładniejsze rozwiązanie danego problemu i uczenie zajmuje mniej czasu. 7

8 W wyniku analizy dostępnych źródeł literaturowych oraz przeprowadzonych badań w branży rolno-spożywczej stwierdzono, że w praktyce są wykorzystywane różne metody identyfikacji jakościowej produktów rolno-spożywczych. Stosowane metody często są niedostatecznie zdefiniowane funkcjonalnie, niedokładne i na ogół nie spełniają wymagań producentów w zakresie oceny jakości produktów i jej klasyfikacji. Mając na uwadze wspomniane oczekiwania, w badaniach skoncentrowałem się na opracowaniu oryginalnych metod identyfikacji jakości oraz klasyfikacji produktów. Przedstawione rozważania pozwoliły na określenie problemu naukowego, który sformułowano w postaci następujących pytań: Czy metody modelowania neuronowego mogą być narzędziem w procesie identyfikacji jakości i klasyfikacji? Czy istnieją mierzalne, obiektywne cechy reprezentatywne barwy, tekstury, cech geometrycznych produktów rolno-spożywczych, które mogą być podstawą do opracowania metody identyfikacji jakości? W związku z tak sformułowanym problem naukowym sformułowano następujące zadania badawcze, które były przedmiotem badań własnych opublikowanych w oryginalnych pracach twórczych, oznaczonych literami od A do G. Zagadnienia te obejmują: 1. Zaprojektowanie i opracowanie dedykowanych systemów informatycznych w zakresie komputerowej analizy obrazów (praca: A, B, C, D, E i F). 2. Identyfikacja cech dyskryminacyjnych z wykorzystaniem analizy obrazów, które umożliwiają identyfikację i klasyfikację produktów (praca: A, C, D, E i G). 3. Ocena związków i wpływu poszczególnych cech fizycznych poszczególnych obiektów z punktu widzenia klasyfikacji (praca: A, B, C i E). 4. Zaprojektowanie architektury modelu sztucznej sieci neuronowej oraz walidacja określająca jakość klasyfikacji (praca: A, B, C, E i F). W pracach przedstawiających cykl jednotematycznych prac stanowiących rozprawę habilitacyjną wykorzystano systemy komputerowej analizy obrazu oraz sztuczne sieci neuronowe. Schemat przebiegu procesu klasyfikacyjnego z wykorzystaniem komputerowej analizy obrazów i sztucznych sieci neuronowych przedstawiono na rysunku 1. 8

9 Rysunek 1. Schemat procesu klasyfikacyjnego z wykorzystaniem komputerowej analizy obrazów i sztucznych sieci neuronowych Źródło. Opracowanie własne W celu rozwiązania problemu naukowego zdefiniowałem następujący zakres etapów badawczych przedstawionych na rysunku 2. Poszczególne etapy zawierały odpowiednie zadania badawcze które w efekcie końcowym umożliwiały identyfikację, ocenę jakościową i klasyfikację produktów. W początkowym etapie należało odpowiednio przygotować materiał badawczy. Z punktu widzenia dalszych badań ten etap jest bardzo istotny. W zależności od obiektu empirycznego był dokonywany wybór odmian produktów, liczebność próbek, opis i pomiar cech charakterystycznych. Ważnym aspektem tego etapu było przygotowanie stanowiska pomiarowobadawczego. W zależności od obiektu badawczego do pozyskiwania danych empirycznych wykorzystywano komorę bezcieniową, urządzenia do akwizycji obrazu takie jak, (aparat fotograficzny, skaner płaski, aparat ultrasonograficzny), statyw, system oświetlenia światłem, komputer. W etapie drugim dokonywano akwizycji obrazów dla wybranych obiektów. Również istotnym aspektem w trakcie tego zdania badawczego było: ustalenie odpowiednich parametrów na stanowisku pomiarowo-badawczym, liczebność zdjęć, ekspozycja zdjęć, jakość otrzymywanych fotografii. Na tym etapie również projektowano i implementowano aplikację w zależności od kierunku dalszych badań. Oprogramowanie to powstawało zgodnie z zasadami inżynierii oprogramowania. Użyteczności funkcjonalne zawierała takie komponenty jak: pomiar cech geometrycznych, normalizacja histogramu, usuwanie szumów na obrazie, pozyskanie obrazu monochromatycznego, usuwanie tła z obrazu, nakładanie filtrów, pomiar wybranych współczynników kształtu, zmiana rozdzielczości obrazów, wyznaczenie obwodu obiektu, wykrycie krawędzi z wykorzystaniem metody Canny ego, wyznaczenie widma transformaty Fouriera. Kolejnym etapem w ramach zadań badawczych było przetwarzanie obrazów w zależności od potrzeb i ich analiza. Również na tym etapie czynnikiem istotnym było odpowiednie przygotowanie danych wejściowych do modeli sztucznych sieci neuronowych. W trakcie tego zadania definiowano liczebność zbioru uczącego, jak również dobór odpowiednich cech charakterystycznych dla danego obiektu. W relatywnie prostych zagadnieniach, liczba wymaganych przypadków tworzących zbiór uczący powinna zawierać setki lub tysiące przypadków uczących. W przypadku bardzo złożonych problemów liczba danych powinna być zdecydowanie większa. W etapie czwartym projektowane były modele neuronowe w zależności od rodzaju rozwiązywanego zagadnienia badawczego. Otóż problem badawczy, determinuje wybór architektury sieci czyli jakie zmienne wejściowe uczestniczą w procesie uczenia, jak również co jest zmienną wyjściową 9

10 opracowywanego modelu neuronowego. W trakcie tego etapu przeprowadzane są wielokrotne symulacje oraz dobierane odpowiednie rodzaje i topologie sieci. W trakcie tego etapu sztuczna sieć neuronowa podlega procesowi uczenia odpowiednimi algorytmami. W trakcie procesu uczenia dąży się do uzyskania najmniejszego błędu sieci związanego z zadanym zagadnieniem. Jednak najbardziej pożądaną cechą sieci jest jej zdolność do generalizacji swojej wiedzy na nowe przypadki. W ostatnim etapie przeprowadza się weryfikację i walidację już wybranego modelu neuronowego jak również realizowany jest proces analizy wrażliwości. Działanie to pozwala na ocenę cech reprezentatywnych które są istotne w procesu uczenia, a które można pominąć lub mają mało znaczący udział. Ostatnim zadaniem badawczym w ramach tego etapu jest przygotowanie utylitarnego zastosowania tych badań. 10

11 Etap I Pozyskanie i przygotowanie materiału badawczego. Pomiar paramterów obiektu. Przygotowanie stanowiska pomiarowo-badawczego do akwizycji danych empirycznych. Kalibracja parametrów aparatury do wykonania zdjęć cyfrowych. Etap II Przygotowanie bazy danych graficznych z wykorzystaniem aparatury do akwizycji obrazu. Zaprojektowanie i wytworzenie aplikacji autorskich dedykowanych do danego zagadnienia zgodnie z zasadami inżynierii oprogramowania. Etap III Przetwarzanie obrazu. Analiza obrazu. Przygotowanie i opracowanie zbiorów uczących. Etap IV Analiza dyskryminacyjna: opracowanie modeli neuronowych na podstawie danych graficznych przetworzonych na zbiory wejściowe do sztucznych sieci neuronowych, wybór topologii sieci neuronowej, uczenie wybranych struktur sieci neuronowych. Etap V Weryfikacja i walidacja modeli neuronowych. Analiza wrażliwości wygenerowanych modeli. Możliwość implementacji. Rysunek 2. Zakres etapów badawczych Źródło. Opracowanie własne 11

12 Zestawienie oryginalnych prac twórczych stanowiących rozprawę habilitacyjną: A. Koszela, K. (2012). Klasyfikacja suszu pietruszki z wykorzystaniem sztucznych sieci neuronowych. Journal of Research and Applications in Agricultural Engineering, 57(1): (5 pkt). B. Koszela, K., Hartlieb, W. (2012). Porównanie metod instrumentalnych i komputerowej analizy obrazu w ocenie jakościowej wybranych produktów rolniczych. Journal of Research and Applications in Agricultural Engineering, 57(1): (5 pkt). C. Koszela, K. (2015). Computer image analysis and artificial neuron networks in the qualitative assessment of agricultural products. Agricultural Engineering, 3/155: (5 pkt). D. Boniecki, P., Koszela, K., Piekarska-Boniecka, H., Weres, J., Zaborowicz, M., Kujawa, S., Majewski, A., Raba, B. (2015). Neural identification of selected apple pests. Computers and Electronics in Agriculture, 110: 9-16 (40 pkt, IF = 2,091). E. Koszela, K., Boniecki, P., Kuzimska, T. (2015). The use of neural image analysis in the identification information encoded in graphical form. Agricultural Engineering, 3/155: (5 pkt). F. Przybylak, A., Boniecki, P., Koszela, K., Ludwiczak, A., Zaborowicz, M., Lisiak, D., Stanisz, M., Ślósarz, P. (2016). Estimation of intramuscular level of marbling among Whiteheaded Mutton Sheep lambs. Journal of Food Engineering, 168: (35 pkt, IF = 3,216). G. Boniecki, P., Piekarska-Boniecka, H., Świerczyński, K., Koszela, K., Zaborowicz, M., Przybył, J. (2014). Detection of the granary weevil based on x-ray images of damaged wheat kernels. Journal of Stored Products Research, 56: (30 pkt, IF = 1,824). Łącznie: Impact Factor a) 7,131 Punkty MNiSW b) 125 a) IF sumaryczny dla czasopisma zgodny z datą publikacji b) Punkty zgodne z datą publikacji Oświadczenia współautorów określające indywidualny wkład każdego z nich w powstanie publikacji zamieszczono w Załączniku 5. 12

13 Szczegółowe omówienie cyklu publikacji powiązanych tematycznie zadań stanowiących rozprawę habilitacyjną Praca A Celem pracy było opracowanie i wytworzenie modelu neuronowego do oceny jakości suszu pietruszki i jego klasyfikacji na podstawie fotografii cyfrowej. Do analizy i klasyfikacji wykorzystano susz pietruszki pozyskany metodą konwekcyjną. Materiał badawczy został poddany obróbce wstępnej czyli: myciu, obieraniu, krojeniu i blanszowaniu, a następnie suszeniu metodą konwekcyjną. Pietruszka przed procesem suszenia miała 88% wilgotności. Natomiast po procesie suszenia wilgotność suszu konwekcyjnego wynosiła 6%. Do badań wykorzystano aparaturę oraz odpowiednio przygotowane stanowisko do akwizycji obrazu suszu marchwi. Stanowisko było wyposażone w aparat cyfrowy, komorę bezcieniową, zestaw lamp oświetleniowych, statyw fotograficzny. W celu przeprowadzenia analizy obrazów kostek suszu warzywnego wykonano zdjęcia poszczególnych frakcji suszu pietruszki. Do badań zostały przygotowane próby liczące 1200 kostek z każdej frakcji suszu zarówno prawidłowego, jak i nieprawidłowego, definiowanego według Polskiej Normy. Kostki były umieszczane na jednolitym, kontrastującym tle, odseparowane od siebie. Wszystkie fotografie były zapisywane w formacie RAW, a następnie konwertowane do formatu BMP w rozdzielczości Kluczowym etapem był wybór cech charakterystycznych suszu pietruszki, za pomocą których następowała klasyfikacja z wykorzystaniem sztucznych sieci neuronowych. Do klasyfikacji wyodrębniono następujący zbiór cech: cechy geometryczne kostki (czyli pole powierzchni i obwód kostki), barwę w postaci zakodowanego kanału RGB oraz informację o kształcie opisaną wybranymi współczynnikami kształtu. Przeprowadzone badania miały wykazać: Jakie cechy suszu pietruszki są reprezentatywne dla oceny jakościowej? Czy modele neuronowe są właściwym narzędziem do analizy i klasyfikacji suszu pietruszki? Jaka topologia sieci neuronowej umożliwia efektywną i poprawną klasyfikację suszu warzywnego? W wyniku badań zaprojektowano i wytworzono dedykowaną aplikację, za pomocą której wygenerowano dane numeryczne do tworzenia modeli neuronowych. Do tworzenia modeli neuronowych wykorzystano dane wejściowe dla środowiska symulatora sztucznych sieci neuronowych Statistica firmy StatSoft ver W projektowaniu uwzględniono takie rodzaje, jak: sieci PNN (Probabilistic Neural Network), sieci o radialnych funkcjach bazowych RBF (Radial Basis Functions) sieci GRNN (General Regression Neural Network), sieci MLP (Multilayer Perceptron) z trzema (jedna warstwa ukryta) i czterema warstwami (dwie warstwy ukryte). Po przeprowadzeniu badań najlepszym typem sieci okazał się perceptron wielowarstwowy z dziesięcioma neuronami w warstwie ukrytej. Ta sieć neuronowa podlegała procesowi uczenia z nauczycielem. W trakcie procesu uczenia stosowano dwie metody: wstecznej propagacji błędu BP 13

14 (Back Propagation) oraz gradientów sprzężonych CG (Conjugate Gradient). W ich wyniku uzyskiwano najlepsze rezultaty w zakresie błędu RMS (Root Mean Square) oraz charakterystyk regresyjnych. Efektem końcowym były statystyki klasyfikacyjne. W przeprowadzonych testach uzyskano następujące wyniki. Dla całego zbioru zostało sklasyfikowanych poprawnie 86,99% kostek suszu, natomiast niepoprawnie model sklasyfikował 13,01%. Najlepsze wyniki 92,66% poprawnie sklasyfikowanych kostek uzyskały kostki prawidłowej jakości. Natomiast większy błąd klasyfikacji uzyskano dla kostek nieprawidłowych. Model został również zweryfikowany pod względem ważności poszczególnych cech biorących udział w procesie klasyfikacji. Służą do tego analizy wrażliwości wybranego modelu neuronowego. Ocena została przeprowadzona na podstawie wszystkich cech, które były wykorzystywane do procesu konstruowania modelu. Odnotowano, że w modelu większość cech miała iloraz powyżej 1, co oznacza, że wszystkie cechy są ważne w procesie modelowania. Jednak na podstawie analizy wszystkich modeli można zaobserwować, że w procesie klasyfikacji wysoką rangę mają współczynnik cyrkularności i współczynnik Blaira-Blissa. Nie bez znaczenia jest informacja o barwie kostki suszu. Uwzględniając przeprowadzone badania i analizę wyników, można stwierdzić, że opracowany model neuronowy suszu konwekcyjnego pietruszki w zakresie klasyfikacji oraz jakości, z wykorzystaniem analizy obrazów, umożliwił zidentyfikowanie charakterystycznych cech kostek do klasyfikacji. Badania oraz analiza zbudowanych modeli neuronowych wskazują, że zadanie klasyfikacji najlepiej zrealizował perceptron z trzema warstwami i 10 neuronami w warstwie ukrytej. Wybór ten umożliwiał najlepsze postępy uczenia, czego wynikiem były wartości błędu RMS. Jego zakres kształtował się w przedziałach od 7 do 13%. Wyniki świadczą o dobrej jakości modelu neuronowego. Zastosowana metoda pozwala na zaimplementowanie rozwiązania w warunkach przemysłowych. Niezbędna do procesu jest tylko fotografia wybranego suszu. Działanie to może wyeliminować zdecydowanie czynniki ograniczeń naturalnych charakterystycznych dla człowieka, czyli zmęczenie, chorobę czy ocenę subiektywną. W znaczeniu utylitarnym umożliwia zbudowanie systemu wspomagania decyzji w ocenie i klasyfikacji suszu warzywnego. Praca B W pracy przedstawiono wyniki badań oceny jakości ziemniaka. Ich celem było opracowanie systemu wizyjnego do oceny jakości ziemniaka i porównanie z wynikami uzyskiwanymi metodą instrumentalną. Materiałem badawczym były bulwy ziemniaka odmiany Denar. Oceniając produkt rolniczy, należy znać jego odmianę. Jest to niezbędne, ponieważ każdy rodzaj charakteryzuje się innymi cechami. Na przykład ziemniaki przeznaczone na frytki są znacznie większe niż odmiany konsumpcyjne. Właśnie dlatego nie można obydwu oceniać na podstawie tych samych kryteriów. Istnieje kilka kryteriów podziału ziemniaków. W pierwszej kolejności można je klasyfikować według przeznaczenia na: chipsowe, frytkowe i konsumpcyjne. Drugim kryterium jest podział według PN-74/R na: bardzo wczesne, wczesne, średnio wczesne, średnio późne, późne i bardzo późne. Wszystkie polskie odmiany, dostępne na rynku i uprawiane na polach, 14

15 muszą być wpisane na Listę odmian roślin rolniczych, warzywniczych i sadowniczych krajowego rejestru w Polsce. Oprócz krajowych, wyróżniamy także odmiany zagraniczne. Charakteryzują się one lepszym wyrównaniem bulw, co jest ich główną zaletą. Poza wymienioną cechą, w niczym nie przewyższają wciąż udoskonalanych odmian polskich. Dla zobrazowania w tabeli 1 przedstawiono kilka odmian ziemniaków wraz z ich parametrami ( Tabela 1. Cechy wybranych odmian ziemniaków jadalnych Nazwa odmiany Kształt Kolor skórki Barwa miąższu Typ konsumpcyjny Rodzaj odmiany Kalibraż [mm] Denar okrągłoowalny żółty jasnożółta AB konsumpcyjne Kuras okrągłoowalny żółty biała C konsumpcyjne Roko okrągłoowalny ciemnoczerwony białokremowa B konsumpcyjne Raja owalny czerwony jasnożółta BC konsumpcyjne Sante owalny żółty żółta B konsumpcyjne Marlen okrągłoowalny żółty jasnożółta BC konsumpcyjne Almera podłużnoowalny żółty jasnożółta AB konsumpcyjne Markies owalny jasnożółty żółta BC frytkowe Saturna owalny kremowy żółta BC chipsowe Hermes owalny kremowy jasnożółta BC chipsowe Źródło. Opracowanie własne na podstawie Odmiany ziemniaków. Charakterystyka tabelaryczna (2010). Oprac. J. Chotkowski, I. Stypa. Zakład Nasiennictwa i Ochrony Ziemniaka IHAR, Bonin k. Koszalina. Materiałem do badań były młode ziemniaki, niemagazynowane i nieprzechowywane. Zostały poddawane analizie bezpośrednio po zbiorze. Przygotowanie do badania polegało na ich umyciu i osuszeniu, co pozwalało na dokładną ocenę, ponieważ żadne czynniki np. zabrudzenia ziemią nie wprowadzały innych zakłóceń. Badania przeprowadzono w dedykowanym stanowisku badawczo-pomiarowym. W laboratorium sfotografowano bulwy ziemniaków. Materiał różnił się zewnętrznymi cechami fizycznymi. Niektóre ziemniaki były zdrowe, miały prawidłowe rozmiary, prawidłowy współczynnik kształtu oraz prawidłowy wygląd skórki. Zdarzały się także ziemniaki nieprawidłowe za duże lub za małe, zazieleniałe i ciemne. Do klasyfikacji wyodrębniono następujący zbiór cech: poziomą i pionową średnicę bulwy, informację o kształcie odwzorowaną poprzez współczynnik Fereta oraz barwę zakodowaną w postaci RGB. Jakość pobranego i przygotowanego materiału badawczego można ocenić wybraną metodą lub metodami. Można też sprawdzać, która jest dokładniejsza i bardziej efektywna. Chcąc porównywać dwie metody oceny jakości, trzeba wiedzieć na czym one polegają i czym się charakteryzują. Obecnie istnieje wiele metod wyznaczających sposób pomiaru cech konkretnych parametrów jakościowych ziemniaka. Jedną z grup tworzą metody instrumentalne, których działanie opiera się na urządzeniach pomiarowych. Ze względu na zastosowanie urządzeń dedykowanych są drogie i nie umożliwiają uniwersalnego pomiaru kilku cech jednocześnie. Decydując się na użycie metody instrumentalnej, należy znać wszystkie czynniki merytoryczne, tzn. rozumieć zasadę i sposób działania metody oraz możliwe do uzyskania wyniki (Koszela i Weres, 2009). 15

16 Wielkość ziemniaka jest istotnym parametrem. Zazwyczaj bulwy małe zawierają mniej skrobi, gorzej się przechowują, źle się obierają (zwłaszcza mechanicznie), trudniej je oczyścić i często są niedojrzałe. Dlatego właśnie tę cechę należy sprawdzić podczas oceny, którą przeprowadza się bardzo łatwo specjalnym przyrządem kalibrownicą. Za jej pomocą mierzy się średnicę bulw kulistych oraz rozmiar podłużny i poprzeczny ziemniaków owalnych. Bulwy mniejsze są odrzucane. Następnie ziemniaki należy zważyć z dokładnością 0,1 kg i wyznaczyć ich procentowy udział w badanej próbie. Metoda jest łatwa w zastosowaniu, ale niestety nie jest specjalnie dokładna. Jak się jednak okazuje, jest wystarczająca, aby ocenić ogólną jakość ziemniaków pod względem rozmiaru, sprawdzając opisywaną cechę w sposób szybki. Metoda jest wykorzystywana do zbadania pewnej próbki ziemniaków, pobranej z całej dużej partii (Ciećko i in., 1993). Urządzeniami służącymi do oceny barwy są spektrofotometry i kolorymetry. Pierwszoplanowe znaczenie w badaniu i ocenie produktów rolniczych mają kolorymetry. Służą one do bezpośredniego pomiaru we wspominanym wcześniej świetle odbitym od badanego przedmiotu. Mają barwne filtry lub dobrane przesłony, które korygują falę wchodzącą w pole widzenia obserwatora normalnego. Inaczej można by to określić poprzez pomiar, który zastępuje wrażenie barwy odczuwane przez człowieka w średnich warunkach obserwacji. Ponadto kolorymetry mają możliwość wyskalowania barwy według wzorców, z którymi szybko porównują kolor badanego obiektu, wystawiając ocenę na podstawie obliczenia różnicy kolorów. W celu uzyskania informacji o ziemniaku z wykonanego zdjęcia opracowano autorski dedykowany program komputerowy Klasyfikator. Aplikacja ma wbudowane moduły w zakresie oceny jakości ziemniaka. W panelu głównym są dostępne metody oceniające jakość ziemniaka. Użytkownik określa najważniejsze decyzje związane z wyborem toku działania programu: wczytuje zdjęcie, ustawia widok, przechodzi do ustawiania wzorca w celu wykonania oceny, wybiera i przeprowadza ocenę, wyświetla i zapisuje wyniki, przechodzi do panelu administratora. Głównym zadaniem działania, a zarazem obsługi programu jest wykonanie oceny jakościowej bulw ziemniaka. System umożliwia wybór kilku metod, w zależności od potrzeby. Pierwszą możliwą oceną jest wyznaczenie rozmiaru poziomej i pionowej średnicy bulwy ziemniaka. Drugą cechą, którą program potrafi określić, jest współczynnik kształtu ziemniaka. Kolejny możliwy do wyznaczenia parametr to barwa skórki ziemniaka. Program pozwala zdefiniować zazielenienie i występowanie koloru czarnego. Istnieje także opcja określenia wszystkich wymienionych parametrów jednocześnie. Całość przedstawionych ocen jest dostępna (po wyborze jednej) za pomocą służących do tego celu przycisków o intuicyjnym interfejsie. Badania wykazały, że komputerowa analiza obrazu w ocenie jakościowej ziemniaka jest metodą bardzo dokładną. W sposób szybki analizuje równocześnie kilka cech. Można stwierdzić, że stanowi wiarygodną ocenę jakości, co zostało potwierdzone w trakcie weryfikacji i walidacji opracowanego oprogramowania. Ziemniak ma wiele cech charakterystycznych określających jego jakość, co umożliwia ocenę jakościową. Istnieje możliwość rozbudowy systemu o kolejne metody badające inne cechy produktu. Pomimo że instrumentalna ocena jakości produktów rolniczych jest podstawowym sposobem oceny ziemniaka, komputerowa analiza obrazu w ocenie jakościowej tego produktu jest również dokładna i analizuje więcej parametrów. 16

17 Praca C Celem badawczym pracy było wykonanie neuronowej analizy obrazów na przykładzie korzeni oraz suszu liofilizacyjnego marchwi w celu oceny jakościowej i klasyfikacji poszczególnych klas w badanej próbie pod względem jakości. Obiektem empirycznym w badaniu był korzeń marchwi odmiany Nerac F1 (firmy Bejo Zeden), należącej do odmian średnio późnych. Charakteryzuje się ona cylindrycznym kształtem korzeni, które cechują się intensywnym wybarwieniem oraz wysoką zawartością karotenu, cukru i suchej masy. Drugim obiektem badawczym był susz liofilizacyjnego z marchwi odmiany Karotan (firmy Rijk Zwaana), należącej do odmian późnych. Okres jej wegetacji dla przemysłu to tygodni, długość korzenia wynosi od 20 do 30 cm, a plon ogólny osiąga 94,4 t/ha. Odmiana charakteryzuje się korzeniem stożkowym o intensywnym wybarwieniu oraz wysokiej zawartości karotenu, cukru i suchej masy. Do realizacji projektu wybrano susz liofilizacyjny. Metoda suszenia liofilizacyjnego polega na usunięciu z produktu wody (wysuszeniu) do zawartości 1-3% przez sublimację lodu powstałego w wyniku wcześniejszego zamrożenia surowca (Jarczyk i Berdowski, 1997). Na skutek próżni i niskiej temperatury procesu następuje ograniczenie strat związków lotnych i związków wrażliwych na utlenianie. Wadą suszu jest jego pulchność. Stwarza bowiem możliwość występowania zmian oksydacyjnych i zwiększa ceny opakowania oraz generuje stosunkowo wysokie koszty suszenia, wyższe kilkakrotnie od kosztów w zwykłych metodach odwadniania żywności (Pijanowski i in., 1997). W pracy podjęto badania mające na celu wsparcie procesów decyzyjnych, zachodzących w trakcie oceny jakości parametrów fizycznych jednej odmiany marchwi, na podstawie ustalonych kryteriów geometrycznych: długości korzenia, szerokości korzenia, długości występowania na łbie marchwi fioletowopurpurowego przebarwienia oraz procentu pola ubytków. W suszu liofilizacyjnym były to barwa i geometria kostki (długość, szerokość, pole powierzchni, obwód) oraz współczynniki kształtu. Badania przeprowadzono w dedykowanym stanowisku badawczo-pomiarowym. Narzędziem do akwizycji był aparat fotograficzny. W ocenie jakościowej korzenia marchwi każdy korzeń fotografowano osobno, z zachowaniem takich samych parametrów akwizycji. Oceniono różne technologie komputerowej analizy obrazów pod względem ich przydatności do realizacji zagadnienia związanego z oceną jakościową warzyw. W planowaniu architektury systemu informatycznego zdecydowano się, by sposób działania oraz efekt końcowy miał odniesienie do istniejących norm jakości handlowej, zawierających wymagania, które warzywo musi spełniać przed dopuszczeniem do obrotu. Istnieją bowiem możliwości definiowania innych oczekiwań co do wskaźników jakości np. może je wyznaczyć kupujący. W tym przypadku kryteria podziału ocenianej marchwi na odpowiednie klasy jakości określono na podstawie informacji ujętych w szczegółowej normie jakościowej marchwi EKG nr 920/89, obowiązującej do połowy 2009 roku we wszystkich krajach Unii Europejskiej. W normie zdefiniowano wymagania minimalne, które musi spełniać produkt uznany za dobry jakościowo oraz określono wymagania poszczególnych klas jakości. Wyszczególniono trzy klasy jakości (Klasa Extra, Klasa I, Klasa II), do których zalicza 17

18 się produkt w zależności od jego właściwości. Ponieważ liczba wymagań wobec warzywa zaliczanego do danej klasy jest obszerna i w większości ma charakter opisowy, zdecydowano się oprzeć budowę programu tylko na kilku cechach możliwych do odczytania ze zdjęcia w procesie analizy obrazów. Przyjęto, że na podstawie czterech odczytanych z obrazu parametrów opisujących marchew można określić jakość w sposób zadowalający. Parametry rozpoznawane przez program długość korzenia, szerokość korzenia oraz długość występowania na łbie marchwi fioletowopurpurowego przebarwienia są ściśle określone w normie dla każdej klasy jakości i podobnie zostały zdefiniowane w programie. Parametr określający procent pola ubytków dodano oraz zdefiniowano na potrzeby realizacji pracy, ponieważ norma określa tę cechę tylko w sposób opisowy. Wspomniany parametr definiuje się jako stosunek pola powierzchni pikseli wykazujących oznaki ubytków do całkowitego pola powierzchni pikseli zawartych w wykrytym obiekcie. W celu klasyfikacji korzeni marchwi ze zdjęcia utworzono autorski program komputerowy AnalisysVEG. Program wykonano na potrzeby rozwiązania problemu zadanego w temacie pracy. Aplikacja wykorzystywała algorytm analizy obrazu z zastosowaniem metod zawartych w bibliotekach przetwarzania obrazu AForge.Net, które zawierają bogaty wachlarz funkcji oraz metod przeznaczonych do obróbki i analizy obrazu. Pierwsza operacja wykonywana przez algorytm analizy obrazu polega na usunięciu tła obrazu. Kolejną czynnością jest użycie filtra wykrywania największego obiektu w obrazie (ExtractBiggestBlob). Następnie algorytm określa długość występowania fioletowopurpurowego przebarwienia na łbie marchwi. W dalszym etapie algorytm analizy jakości oblicza rzeczywistą średnicę marchwi. Uzyskanie tej wartości odbywa się poprzez wycięcie z badanego obiektu, w okolicach łba marchwi (w tym miejscu bada się średnicę korzenia). W następnym kroku algorytm wyznacza procent pola powierzni ubytków w stosunku do całkowitego pola powierzchni obiektu. Ostatnią czynnością jest klasyfikacja odczytanych danych do jednej z trzech klas jakości. Program sprawdza czy otrzymane dane można zaliczyć do konkretnej klasy jakości na podstawie kryteriów ustalonych dla każdej z klas. Po przeprowadzeniu analizy i wyznaczeniu cech charakterystycznych marchwi oraz przyznaniu jej klasy jakości, wszystkie dane są przekazane do okna wyników, gdzie są prezentowane w formie tabeli. W ramach testowania aplikacji autorskiej wykonano analizę obrazu na losowo wybranych kilkunastu fotografiach prezentujących korzeń marchwi. Program przypisał odpowiednią klasę jakości na podstawie odczytanych parametrów opisujących dany korzeń. W tabeli 2 przedstawiono wartości parametrów odczytanych przez aplikację dla wszystkich wykonanych zdjęć oraz cechy opisujące ich klasy jakości. Tabela 2. Wartości parametrów charakteryzujące marchew w danej klasie jakości Numer obrazu Długość korzenia [cm] Szerokość korzenia [cm] Długość występowania przebarwienia na łbie [cm] Procent pola ubytków [%] Przyznana klasa jakości 01 18,0 3,6 0 0 Klasa Extra 02 16,7 2, Klasa ,5 2,5 1,4 2 Klasa 1 18

19 ,2 2,7 0 0 Klasa Extra 64 11,6 2,5 0 1 Klasa Extra W przypadku suszu liofilizacyjnego, oprócz barwy i cech geometrycznych kostki, jako cechy klasyfikacyjne wykorzystano wybrane współczynniki kształtu (tabela 3). Wymienione współczynniki cechuje wrażliwość na zmienność kształtu analizowanego obiektu przy jednoczesnym zachowaniu niewrażliwości (niezmienności) na zmianę sposobu prezentacji figury na obrazie. Tabela 3. Wybrane współczynniki kształtu Nazwa współczynnika Wzór [4] RS bezwymiarowy współczynnik kształtu, do ilościowego charakteryzowania kształtu cząstek = 4 [5] RF współczynnik Fereta charakteryzujący wydłużenie obiektu = [6] RC1 współczynnik cyrkularności, określający średnicę koła, którego pole jest równe polu analizowanego obiektu =2 [7] RC2 współczynnik cyrkularności, określający średnicę koła o obwodzie równym obwodowi analizowanego obiektu = [8] RM współczynnik Malinowskiej = 2 1 [9] Re współczynnik regularności = [10] Współczynnik Blaira-Blissa względem środka ciężkości = 2 L obwód obiektu, S pole powierzchni całego obiektu, a długość obiektu, b szerokość obiektu, r odległość piksela obiektu od środka ciężkości obiektu, i numer piksela obiektu. W badaniu optymalną siecią okazała się również topologia neuronowa typu MLP: 10:7:1 (Multi- Layer Perceptron), mająca 10 neuronów w warstwie wejściowej, 7 neuronów w warstwie ukrytej oraz 1 neuron w warstwie wyjściowej. Najlepszy model neuronowy spośród wszystkich utworzonych sieci realizujących proces klasyfikacji wybrano w oparciu na trzech zbiorach: uczącym, walidacyjnym i testowym. Mierniki określające jakość sieci są wyznaczane niezależnie dla tych zbiorów. Jednokierunkowe sieci neuronowe typu MLP należą do najlepiej zbadanych oraz najczęściej wykorzystywanych w praktyce topologii sieciowych. Perceptron wielowarstwowy reprezentuje tzw. klasę parametrycznych modeli neuronowych. Jest siecią jednokierunkową, wielowarstwową, uczoną techniką z nauczycielem. Charakteryzuje się między innymi tym, że liczba neuronów stanowiących jej strukturę jest znacząco mniejsza od liczby przypadków zbioru uczącego. 19

20 Jakość wygenerowanej sieci należy uznać za bardzo dobrą. Błąd RMS (Root Mean Square pierwiastek z błędu średniokwadratowego) wynosił odpowiednio: 0,02875 dla zbioru uczącego, 0,03195 dla zbioru walidacyjnego, 0,08234 dla zbioru testowego. Chcąc zweryfikować cechy mające największe znaczenie w procesie klasyfikacji suszu liofilizacyjnego, przeprowadzono analizę wrażliwości wybranego modelu. Czynność ta umożliwia również wskazanie zmiennych, które można pominąć bez utarty jakości funkcjonowania sieci, oraz zmiennych kluczowych, których nie należy pomijać. Przeprowadzając ocenę i wysnuwając wnioski, należy zachować ostrożność ze względu na zależności pomiędzy zmiennymi wejściowymi. Z reguły zmienne wejściowe są niezależne. Analiza wrażliwości przedstawiana jest oddzielnie dla zbiorów uczącego i walidacyjnego. To cenny wskaźnik poprawności danej oceny. Wrażliwość jest podawana za pomocą wskaźnika ilorazu błędu oraz rangi: iloraz błędu to stosunek błędu do błędu otrzymanego z wykorzystaniem wszystkich cech niezależnych: im jest on większy, tym większa jest istotność danej cechy, ranga to wskaźnik charakteryzujący w sposób liczbowy cechy według malejącego błędu: ranga o wartości 1 ma najważniejsze znaczenie dla sieci. Parametr barwy, jako kryterium do klasyfikacji modelu suszu liofilizacyjnego na kostki prawidłowe i nieprawidłowe, miał bardzo niską istotność. Barwa miała ósme miejsce w strukturze rang. Taki rezultat ma uzasadnienie, ponieważ zły dobór parametrów suszenia w trakcie suszenia liofilizacyjnego nie ma zbyt dużego wpływu na zakłócenia w barwie kostki. Wrażliwość barwy w tym procesie jest mała. Wysoką rangę w modelu odgrywały współczynniki kształtu. Najważniejszymi cechami były współczynnik Malinowskiej, regularność oraz współczynnik Blaira-Blissa. Reasumując, można stwierdzić, że w klasyfikacji suszu liofilizacyjnego decydującym parametrem jest geometria kostki. W tym modelu można zauważyć, że istnieje powiązanie wzajemnych cech, ponieważ usunięcie cechy barwy pogorszyło wyniki błędu sieci o 34%. Wykonane badania nad wykorzystaniem technologii komputerowych do oceny jakości warzyw i innych płodów rolnych były motywowane potrzebą opracowania we współczesnym rolnictwie innych, bardziej wydajnych metod oceny jakości. Trendy konsumenckie wymuszają doskonalenie oceny jakościowej. Producenci tym samym dążą do obniżania kosztów i maksymalizacji wydajności różnych procesów produkcyjnych, w tym procesu oceny jakości. Doskonałym sposobem realizacji tego zadania są metody komputerowej analizy obrazu. Postępujący rozwój technologii cyfrowych umożliwia tworzenie zaawansowanych maszyn segregujących produkty rolne, dzięki czemu proces oceny jakości płodów rolnych można prowadzić automatycznie, bez udziału człowieka. Wpływa to na obniżenie kosztów produkcji. Badania wykorzystania komputerowej analizy obrazów i modelowania neuronowego wskazały właściwą metodę mogącą efektywnie wspomagać procesy decyzyjne w czasie oceny jakości i klasyfikacji. Zaprojektowane i wytworzone oprogramowanie umożliwia pobranie z obrazu informacji o charakterystycznych cechach korzenia marchii oraz suszu marchwi, które mają wpływ na wyniki klasyfikacji jakościowej. 20

21 Praca D Głównym celem pracy było zbadanie możliwości wykorzystania sztucznych sieci neuronowych jako narzędzia klasyfikacyjnego, przeznaczonego do identyfikacji szkodników sadów jabłoniowych. Identyfikacja szkodników jeszcze przed spustoszeniem upraw wskutek żerowania agrofagów może pozwolić na bardziej efektywne ich zwalczanie. Identyfikacja oraz oznaczenie agrofagów w danej plantacji jest standardową procedurą entomologiczną, pozwalającą na wsparcie procesów zachodzących w szeroko rozumianej ochronie roślin. Warto podkreślić, że celem nadrzędnym pracy jest wytworzenie narzędzia informatycznego wspomagającego działania entomologów, w szczególności proces oznaczania szkodników na podstawie ich zdjęć cyfrowych, wykonanych przez plantatorów. Jak wiadomo jabłka w światowej produkcji owoców zajmują czwarte miejsce: po bananach, winogronach i pomarańczach. W 2004 roku zbiory jabłek stanowiły 12% w ponad 500 mln ton wyprodukowanych owoców. Jabłka są jednym z podstawowych produktów ogrodniczych na terenie Polski. Uprawą jabłek, stanowiących około 70% zbiorów owoców (ponad 80% zbiorów owoców z drzew), zajmuje się około 242 tys. specjalizowanych przedsiębiorstw. Wiele z nich to gospodarstwa produkujące wyłącznie jabłka (Kierczyńska, 2005). Stosowane obecnie metody identyfikacji agrofagów opierają się przede wszystkim na optycznym rozpoznawaniu ich przez człowieka. Identyfikacja szkodników odbywa się na podstawie ich wcześniej zdefiniowanych cech taksonomicznych, np. barwy czy kształtu, oraz ich bionomii czy sposobu żerowania. Wymaga to sporej wiedzy, dobrego rozeznania w grupach oraz dużego nakładu czasu. Metody klasyfikacji owadów opierają się na ich oznaczaniu, tzn. określeniu nazwy gatunku za pomocą kluczy (na ogół w postaci publikacji naukowej lub monografii). Umożliwiają one zaliczenie danego owada do gatunku przez m.in. porównanie jego czarno-białych lub kolorowych rysunków oraz fotografii. W zależności od rodzaju czy gatunku szkodnik może być opisany za pomocą setek, a nawet tysięcy kluczy, co implikuje istotne trudności w ich oznaczaniu. Obserwowany postęp w szeroko rozumianej informatyce stosowanej sprawia, że złożony biologiczny proces identyfikacyjny z powodzeniem można symulować z wykorzystaniem nowoczesnych maszyn cyfrowych. Korzysta się w tym celu z dynamicznie rozwijających się technik informatycznych z uwzględnieniem nowoczesnych metod sztucznej inteligencji. Dlatego istotne stają się metody oraz techniki ekstrakcji informacji zakodowanej w postaci graficznej, na ogół realizowane z wykorzystaniem wcześniej zdefiniowanych cech reprezentatywnych. W identyfikacji, a następnie ekstrakcji wiedzy zawartej w graficznych danych empirycznych, występujących w formie obrazów cyfrowych, ważną rolę odgrywają sztuczne sieci neuronowe uczone pod nadzorem, czyli generowane tzw. techniką z nauczycielem (Boniecki, 2005). Do badań wybrano grupę sześciu szkodników najczęściej żerujących w sadach jabłoniowych i będących największym zagrożeniem dla jabłoni. Były to: kwieciak jabłkowiec [Anthonomus pomorum (L.)] Coleoptera, Curculionidae, miodówka jabłoniowa [Cacopsylla mali (Schmid.)] Hemiptera, Psyllidae, 21

22 namiotnik jabłoniowy [Yponomeuta malinellus Zell.] Lepidoptera, Gracillariidae, owocówka jabłkóweczka [Cydia pomonella (L.)] Lepidoptera, Tortricidae, przeziernik jabłoniowiec [Synanthedon myopaeformis (Borkh.)] Lepidoptera, Sesiidae, mszyca jabłoniowa [Aphis pomi De Geer] Hemiptera, Aphididae. Do pozyskania fotografii cyfrowych wykorzystano aparat fotograficzny jako narzędzie akwizycyjne. Dalsza metodyka postępowania polegała na wytworzeniu odpowiednich zbiorów uczących dla symulatora sztucznych sieci neuronowych. Dane wejściowe i wyjściowe dla modelu neuronowego były zdeterminowane poprzez sformułowany cel badawczy. A zatem jako dane wejściowe zostały zdefiniowane następujące cechy: barwa w modelu RGBA, dane geometryczne szkodnika oraz wybrane współczynniki kształtu. Model RGBA polega na tym, że każda ze składowych jest konwertowana do postaci binarnej i ma rozmiar 8 bitów. Następnie składowe są łączone ze sobą w odwrotnej kolejności BGR, a przed nimi dodawana jest zmienna A o wartości 255, również w postaci binarnej. W ten sposób otrzymano zapis binarny liczby w postaci 32-bitowej. Taka liczba konwertowana jest na zmienną całkowitą w postaci dziesiętnej i zapisywana. Istotna jest możliwość szybkiego odkodowania informacji z powrotem do modelu RBG. Zdecydowano się na odwrócenie kolorów, ponieważ barwą podstawową najrzadziej występującą u szkodników jest czerwony. W przyjętym schemacie kodowania informacji o barwie wystąpienie czy zmiana tego koloru spowoduje najmniejszą zmianę wartości liczbowej odpowiadającej barwie. Chcąc jednak przeprowadzić proces modelowania neuronowego, należało przekształcić dane graficzne w dane numeryczne. W tym procesie wykorzystano specjalnie zaprojektowany system informatyczny TransNeur uniwersalny, oryginalny, wielofunkcyjny program narzędziowy. Przeznaczony jest do generowania zbiorów uczących niezbędnych do tworzenia modeli neuronowych z wykorzystaniem wybranych symulatorów sztucznych sieci neuronowych, na podstawie informacji zakodowanej w formie graficznej (zdjęć cyfrowych). Do najważniejszych licznych funkcjonalności systemu TransNeur (w tym różnych technik próbkowania obrazu cyfrowego) należą: realizacja większości standardowych operacji na cyfrowych obrazach rastrowych w formacie BMP, skalowanie obrazów do założonych rozdzielczości, automatyczne wyodrębnianie obiektów z tła obrazu, ręczne zaznaczanie obiektu na obrazie, segmentacja obrazów, pomiar obiektów, wyznaczanie współczynników kształtu, kodowanie blokowe, uśrednianie pikseli, zakodowanie barwy pojedynczego piksela modelu RGB do jednej wartości, zapis wybranych zmiennych do zbioru uczącego w różnych formatach zapisu. 22

23 Model neuronowy zaprojektowano w sposób następujący: jako dane wejściowe dla każdego z sześciu szkodników zdefiniowano paletę 16 kolorów charakterystycznych oraz przyjęto siedem wyżej wymienionych współczynników kształtu. Tak powstały 23 zmienne wejściowe takie, jak: barwa w postaci zakodowanej, reprezentująca 16 kolorów charakterystycznych szkodników, bezwymiarowy współczynnik kształtu, współczynnik charakteryzujący cechy pośrednie obiektu, współczynnik Fereta, współczynnik regularności, współczynnik Malinowskiej, obwód szkodnika, pole powierzchni obrazu szkodnika. Natomiast zmienną wyjściową zdefiniowano jako 6-stanową zmienną o nominalnych wartościach: 1 kwieciak, 2 miodówka, 3 mszyca, 4 namiotnik, 5 owocówka, 6 przeziernik. Proces projektowania modelu neuronowego odbywał się iteracyjnie. Ponieważ struktura modelu neuronowego jest znana jedynie w kontekście zmiennych wejściowych oraz wyjściowych (zdeterminowana jest sformułowaniem rozwiązywanego problemu naukowego). Nieznany jest rodzaj modelu neuronowego ani jego struktura wewnętrzna: liczba warstw ukrytych, liczba i budowa neuronów w tych warstwach oraz technika uczenia (różne iteracyjne algorytmy uczące, zaimplementowane w symulatorze Statistica, dedykowane są różnym topologiom neuronowym, np. MLP, RBF, GRNN, PNN). Uzyskanie informacji o topologii najlepszego klasyfikatora neuronowego wymagało przeprowadzenia serii eksperymentów komputerowych polegających na wykonaniu czasochłonnych symulacji. W wyniku badań stwierdzono, że najlepszym modelem neuronowym okazał się perceptron wielowarstwowy MLP o strukturze 23: :1. Błąd RMS jest wskaźnikiem definiującym jakość wytworzonego modelu neuronowego. Definiowany jest jako sumaryczny błąd popełniany przez sieć na zbiorze danych (uczących, testowych lub walidacyjnych). Wyznacza się go poprzez sumowanie kwadratów błędów indywidualnych, podzielenie uzyskanej sumy przez liczbę uwzględnionych wartości i wyznaczenie pierwiastka kwadratowego z otrzymanego ilorazu. Błąd RMS stanowi najdogodniejszą do interpretacji pojedynczą wartość opisującą sumaryczny błąd sieci. Ważnym aspektem w ocenie modelu neuronowego są wyniki generowane na zbiorze testowym, gdyż ten zbiór świadczy o właściwościach klasyfikacyjnych najbardziej. Dla tego modelu wyniki przedstawiono w tabeli 4. Tabela 4. Statystyka klasyfikacyjna dla zbioru testowego abw als am cm ac aa Suma Prawidłowo Nieprawidłowo

24 Nierozpoznane abw Kwieciak jabłkowiec (apple bossom weevil), als miodówka jabłoniowa (apple leaf sucker), am namiotnik jabłoniowy (apple moth), cm owocówka jabłkóweczka (codling moth), ac przeziernik jabłoniowiec (apple clearwing), aa mszyca jabłoniowa (apple aphid). W dalszym procesie badań na wybranym modelu neuronowym przeprowadzono analizę wrażliwości, dzięki której można wskazać wybrane cechy reprezentatywne istotne w procesie modelowania. Z analizy wynika, że najniższe rangi wystąpiły dla zmiennych zawierających informacje o 16 barwach charakterystycznych szkodnika. Świadczy to, że kolor jest cechą kluczową i odgrywa dominującą rolę w procesie identyfikacji. Natomiast współczynniki kształtu (w tym pole i obwód) uzyskały również wysokie wartości rang, czyli także są istotne w procesie rozpoznawania szkodnika. Wykorzystane modelowania neuronowego oraz metod analizy obrazu w celu identyfikacji wybranych szkodników jabłoni okazało się właściwą metodą efektywnie wspomagającą procesy decyzyjne w trakcie produkcji jabłek. Przeprowadzone badania wskazują przydatność opracowanego modelu we wsparciu procesów decyzyjnych zachodzących w produkcji jabłek. Praca E W pracy przedstawiono wyniki klasyfikacji oocytów świni domowej z wykorzystaniem sztucznych sieci neuronowych. Celem było opracowanie nieinwazyjnej metody oceny jakościowej oocytów świni domowej, na podstawie ich budowy morfologicznej, prezentowanej w postaci monochromatycznych obrazów cyfrowych pozyskanych metodą mikroskopową. Proces klasyfikacji zrealizowano z zastosowaniem informacji prezentowanych w formie zdjęć mikrofotograficznych oocytów świni domowej, wykorzystując w tym celu nowoczesne metody neuronowej analizy obrazu. Komórki rozrodcze świni, tzw. oocyty, są istotnym elementem kompleksowej metody produkcji zarodków. Składa się ona z następujących etapów: pozyskiwanie oocytów, przeprowadzenie dojrzewania oocytów in vitro (ang. IVM In Vitro Maturation), zapłodnienie oocytów in vitro (ang. IVF In Vitro Fertilization) oraz hodowla in vitro zarodków wyselekcjonowanych zygot (ang. IVC In Vitro Celture) (Jeziorkowski i in., 2007). Zapłodnienie pozaustrojowe jest wykorzystywane u zwierząt domowych w celu akceleracji postępu hodowlanego, zmierzającego do pozyskania w krótkim czasie dużej liczby potomstwa, pochodzącego od wartościowych genetycznie osobników. Produkcja zarodków in vitro umożliwia otrzymywanie nadających się do transferu, pełnowartościowych zarodków, np. pochodzących z materiału poubojowego. Dojrzewanie oocytów jest procesem złożonym, na który składa się wiele zmian biochemicznych i ultrastrukturalnych. Dzięki nim komórki nabywają zdolność do zapłodnienia oraz późniejszego prawidłowego rozwoju zarodka (Jeziorkowski i in., 2007). 24

25 Ocena i weryfikacja jakościowa pobranych z jajników oocytów jest kwestią kluczową w fazie początkowej produkcji zarodków w warunkach laboratoryjnych. Właśnie to działanie pozwala na prawidłowy dobór oocytów do hodowli in vitro, co ma odzwierciedlenie w późniejszej ocenie jakościowej zarodków. Analizy kompetencji rozwojowej oocytów oraz zarodków mają na celu wzrost intensywności produkcji oraz pozyskiwanie potomstwa, charakteryzującego się dobrymi wskaźnikami hodowlanymi (Coticchio i in., 2004; Kempisty i in., 2011). Obecnie wykorzystywane metody oceny jakościowej oocytów zwierzęcych różnią się między sobą wieloma właściwościami takimi, jak: poziom dokładności, stopień inwazyjności, czas przeprowadzenia badania, aparatura techniczna czy niezbędne odczynniki. Szczególnie wartościowe wydają się cechy oceny jakościowej: nieinwazyjność, wiarygodność, efektywność, szybkość, prostota w użyciu, automatyzacja wybranych czynności, możliwość wykorzystywania metody w laboratorium, chlewni, oborze czy stacji inseminacji. Znane są inwazyjne metody oceny jakościowej mechaniczne i biochemiczne z wykorzystaniem których naruszana jest homeostaza oocytów. Wymienione metody mogą prowadzić np. do pęknięcia osłonki przejrzystej oocytu, jego uszkodzenia oraz konieczności zanurzania komórek w odpowiednich płynach (Śniadek, 2011). Ponadto ich zastosowanie jest obarczone koniecznością zapewnienia odpowiednich warunków laboratoryjnych, choćby dostępu do aparatury technicznej czy odczynników, oraz zaangażowania wykwalifikowanego personelu. Ze względu na przyjęte kryterium braku ingerencji w homeostazę komórki, w niniejszej pracy zwrócono uwagę na nieinwazyjne metody oceny jakościowej oocytów. Jedną z dotychczas najczęściej stosowanych metod oceny jakościowej oocytów zwierzęcych jest klasyczna ocena mikroskopowa, używana w laboratoriach rutynowo ze względu na prostotę użycia. Jej zaletą jest nieinwazyjność, natomiast zasadniczym mankamentem subiektywność oceny. Odbywa się bowiem z wykorzystaniem kryteriów morfologicznych takich, jak: obserwacja kształtu (okrągły lub owalny), barwy, spoistości, ciągłości osłonki przejrzystej oraz wyglądu cytoplazmy (Jaśkowski, 2011). Reasumując, można stwierdzić, że prowadzenie takich badań jest uzasadnione szczególnie w kontekście ciągłego dążenia do zwiększania jakości produktów żywnościowych, będącej pochodną wartości hodowlanej zwierząt gospodarskich. Dlatego ważne jest ciągłe poszukiwanie i doskonalenie metod prowadzących do stymulowania prawidłowego rozwoju większej liczby zapładnianych oocytów zwierzęcych, zwłaszcza realizowanego w warunkach pozaustrojowych. Rosnące zainteresowanie technikami rozrodu wspomaganego stało się przyczyną poszukiwania nowych, coraz bardziej efektywnych metod oceny jakościowej gamet oraz zarodków ssaków. Oczekiwany postęp w produkcji zarodków in vitro zwierząt zależy w istocie od poprawnej klasyfikacji uzyskiwanych oocytów. Materiałem badawczym, wykorzystanym do realizacji postawionego celu pracy, były oocyty świni domowej pozyskane metodami laboratoryjnymi. Narzędziem akwizycyjnym był mikroskop wraz ze sprzężonym z nim aparatem fotograficznym. Zestaw umożliwił ewaluację morfologii oocytów oraz rejestrację ich obrazów. Po otrzymaniu danych graficznych kolejnym etapem było zdefiniowane cech charakterystycznych oocytów prezentowanych w postaci obrazów cy- 25

26 frowych. Należało również przeprowadzić transformację danych empirycznych na dane numeryczne. Istotny etap tworzenia zbiorów uczących niezbędnych do generowania SSN stanowiły: identyfikacja, ekstrakcja i dobór cech reprezentatywnych obrazów, które pozwalały na realizację procesu klasyfikowania (tzw. cech dyskryminacyjnych) oraz wyznaczanie ich liczbowych deskryptorów. Do tego etapu wykorzystano środowisko programistyczne MatLab firmy MathWorks. Otrzymane zdjęcia mikrograficzne oocytów zostały przetworzone do postaci obrazów monochromatycznych. Wybór pakietu programistycznego podyktowany był jego dużą funkcjonalnością, szczególnie w zakresie aplikacji wbudowanych metod obróbki obrazów oraz możliwości wykorzystania szerokiej gamy modułów statystycznych. W projekcie wykorzystano bibliotekę pakietu MatLab Image Processing Toolbox (IPT). Narzędzie to zawiera zbiór specjalizowanych funkcji do przetwarzania i analizy obrazów. Funkcje tej biblioteki umożliwiły między innymi: przekształcenia geometryczne, wykorzystanie filtrów, realizację transformacji obrazów, poprawianie jakości obrazów oraz analizę i przetworzenie obrazów. Zbiór danych wejściowych został przygotowany na podstawie trzech grup cech. Grupa pierwsza obejmowała 11 parametrów, wytypowanych z wykorzystaniem technik probabilistycznych. Za cechy reprezentatywne histogramu monochromatycznego obrazu oocytu przyjęto następujące wielkości statystyczne opisujące rozkład intensywności szarości : odchylenie standardowe, wariancja, współczynnik skośności, kurtoza, kwantyle (7 precentyli: 35; 45; 55; 65; 75; 85 i 95%). W grupie drugiej zdefiniowano 5 wskaźników dotyczących tekstury, uzyskanych z analizy widma amplitudowego obrazu transformaty Fouriera oryginałów zdjęć oocytów świni domowej takich, jak: moment odwrotny emfazy krótkich pasm, moment emfazy długich pasm, niejednorodność poziomu jasności pasm, część obrazu w pasmach, niejednorodność poziomu szarości (Rudnicki i in., 2002). Do ostatniej grupy cech reprezentatywnych zaliczono wybrane współczynniki kształtu: bezwymiarowy współczynnik kształtu, współczynnik cyrkularności określający średnicę koła, którego pole jest równe polu analizowanego obiektu do ilościowego charakteryzowania kształtu cząstek, współczynnik cyrkularności określający średnicę koła o obwodzie równym obwodowi analizowanego obiektu, współczynnik Malinowskiej, współczynnik eliptyczności określający iloraz długości krótszej elipsy opisanej na obiekcie do dłuższej, współczynnik zwartości określający iloraz kwadratu obwodu obiektu do jego pola. Natomiast danymi wyjściowymi modelu neuronowego była klasa danego oocytu. Zbiór uczący, zawierający w strukturze wymienione cechy reprezentatywne, został wykorzystany w procesie tworzenia klasyfikacyjnych modeli neuronowych. Struktura zbioru uczącego składała się z 22 zmiennych wejściowych oraz z 1 nominalnej (czterostanowej) zmiennej wyjściowej. W procesie modelowania brano pod uwagę wszystkie rodzaje sieci dostępne w symulatorze Statistica, czyli: sieci liniowe, sieci MLP (MultiLayer Perceptron), sieci RBF (Radial Basis Function), sieci PNN (Probabilistic Neural Network). W tym przypadku najlepszym modelem klasyfikacyjnym okazała się również sztuczna sieć neuronowa typu MLP. Standardowe statystyki klasyfikacyjne dla zbiorów: testowego, który jest najbardziej istotny z punktu widzenia klasyfikacji, przedstawiono w tabeli 5. 26

27 Tabela 5. Statystyki dla problemów klasyfikacyjnych dla podzbiorów: testowego Klasa I Klasa II Klasa III Klasa IV Suma Prawidłowo Nieprawidłowo Nierozpoznane W celu określenia poziomu istotności poszczególnych parametrów reprezentatywnych wykorzystanych do budowy modelu neuronowego zastosowano metodę oceny wrażliwości otrzymanej sieci MLP na poszczególne zmienne wejściowe. Z przeprowadzonej analizy wynika, że dwa pierwsze parametry to percentyle 85% oraz 95%, charakteryzujące rozkład prawdopodobieństwa składowych odcienia szarości obrazu monochromatycznego oocytu. Cechy te reprezentują większość składowych odcienia szarości występujących na histogramach monochromatycznych zdjęć oocytów. Z kolei zmienna niejednorodność poziomu szarości opisuje niejednorodność poziomu szarości obrazów transformat Fouriera tych zdjęć. Wysoki poziom istotności zmiennych wejściowych świadczy, że parametry statystyczne oraz teksturowe monochromatycznych mikroobrazów oocytów są cechami kluczowymi. Oznacza to, że odgrywają dominującą rolę w procesie identyfikacji jakościowej i determinują przynależność oocytów do poszczególnych czterech klas jakościowych. Najniższe rangi osiągnęły zmienne opisujące parametry określające krawędzie oocytów, co dowodzi, że kształt oocytów prezentowanych w formie graficznej nie jest istotny w procesie ich klasyfikacji. Uzyskane wyniki badań potwierdziły, że wykorzystanie neuronowej analizy obrazu pozwoliło na skuteczną identyfikację oocytów świni domowej, wspomagając proces ich klasyfikacji jakościowej. Przeprowadzone badania wskazują na utylitarny aspekt opracowanego modelu, w szczególności jako narzędzia informatycznego w postaci jądra systemu ekspertowego pomagającego w procesach decyzyjnych w czasie produkcji in vitro świni domowej, zwłaszcza w kontekście automatyzacji oceny jakościowej oocytów, oraz jako narzędzia pomagającego w procesie oceny kwalitatywnej. Praca F Celem kolejnej pracy było zagadnienie związane z oceną jakości mięsa jagnięcego. W projekcie głównym celem było opracowanie bezinwazyjnej metody oceny jakościowej stopnia przetłuszczenia śródmięśniowego jagniąt owcy białogłowej mięsnej z wykorzystaniem technik USG oraz metod neuronowej analizy obrazu. Duże oczekiwania konsumenckie oraz intensywny proces globalizacji rynku implikują wymagania wysokiej jakości dostarczanego produktu przeznaczonego do spożycia. Zatrważający wzrost zachorowań na tzw. choroby cywilizacyjne oraz prowadzone badania naukowe wskazują, że na stan zdrowia konsumentów ma wpływ bezpośredni jakość oraz rodzaj spożywanych produktów. Oprócz produktów pochodzenia roślinnego, 27

28 równie ważne są produkty pochodzenia zwierzęcego. Wśród tych znaczącą rolę ma mięso jeden z podstawowych składników pokarmowych we współczesnym świecie. Poprzez cechy jakościowe mięsa rozumie się czynniki, które wpływają na walory smakowe oraz finalną cenę rynkową tusz sprzedawanych zwierząt (Sikora i Weber, 1995). Ważnym parametrem podstawowym w ocenie jakości produktów mięsnych jest zawartość tłuszczu w mięsie oraz jego strukturalna dyslokacja w tuszy. Ilość tłuszczu śródmięśniowego świadczy o jakości mięsa oraz jego przydatności kulinarnej i technologicznej, co ma oczywiście istotny wpływ na jego cenę. Odwzorowanie rozmieszczenia oraz ilości tłuszczu śródmięśniowego na przekroju poprzecznym mięśnia jest definiowane w branży mięsnej pojęciem umownym, tzw. skalą marmurkowatości (od słabo widocznej do bardzo silnej). Marmurkowatość, oprócz kruchości oraz soczystości, decyduje o najważniejszym kryterium konsumpcyjnym smakowitości mięsa. To subiektywna cecha sensoryczna, na którą składają się odczucia zarówno smakowe, jak i zapachowe. Struktura marmurkowa reprezentuje mięso delikatnie, przerośnięte żyłkami tłuszczu. Umiarkowana marmurkowatość jest więc cechą pożądaną, ponieważ sygnalizuje soczystość oraz poprawia smak mięsa upieczonego lub usmażonego. Obecnie ocenę jakościową przeprowadza się bezpośrednio na linii ubojowej lub jeszcze przed ubojem zwierzęcia. Drugi wariant, oczywiście, jest procedurą korzystniejszą, ale trudniejszą w realizacji praktycznej. Na terenie Unii Europejskiej dominuje wariant pierwszy, a poubojową klasyfikację oraz ocenę tusz wołowych i wieprzowych przeprowadza się według obowiązującego systemu EUROP. Klasyfikacja EUROP dotyczy głównie zawartości mięsa w tuszy. Poza opracowanymi wzorcami, do oceny tusz wykorzystywane są różnego rodzaju inwazyjne urządzenia optyczno-igłowe. Działają one na zasadzie sondy sztyletowej, która przebija warstwę słoniny na grzbiecie zwierzęcia, a następnie penetruje mięsień najdłuższy grzbietu (polędwicę). Należy podkreślić, że obecnie nie ma metody pozwalającej na obiektywną ocenę oraz selekcję mięsa tusz jagnięcych w kontekście jego marmurkowatości. Stosowana ocena optyczna tuszy po przecięciu poszczególnych mięśni jest techniką inwazyjną, a jej dokładność pozostawia dużo do życzenia. W opisywanej metodzie używa się bowiem aparatów optyczno-igłowych, których pomiar z natury jest obarczony dużym błędem. Materiałem badawczym w pracy było mięso jagniąt owcy białogłowej mięsnej. Bezpośrednio po uboju zwierząt, z użyciem sondy USG, zebrano obrazy ultrasonograficzne przekroju mięśni w różnych partiach tuszy (na udźcu i grzbiecie antrykot, comber). Analizę USG wykonano z wykorzystaniem ultrasonografu Hitachi EUB405B z głowicą liniową o szerokości roboczej 75 mm i częstotliwości emisyjnej 5 MHz. Dla każdego punktu pomiarowego dokonano akwizycji trzech obrazów USG, zawierających informację o badanym przekroju mięśnia. W miejscach pomiarów USG oznaczono zawartość tłuszczu śródmięśniowego, klasyfikując obraz do właściwej klasy marmurkowatości. Kolejnym etapem było przygotowanie przekrojów tusz w miejscach wcześniej zdefiniowanych (w których wykonano zdjęcia USG). W warunkach laboratoryjnych zrobiono serię zdjęć cyfrowych ww. przekrojów na stanowisku pomiarowo-badawczym do akwizycji obrazów. Fotografowane przekroje odpowiadały oczywiście miejscom próbkowania sondą USG. 28

29 Równie wykonane zdjęcia przekrojów tusz służyły zakwalifikowaniu materiału do właściwych klas marmurkowatości, a następnie skojarzenia ich z adekwatnymi obrazami USG. Łączna liczba zarejestrowanych i wykorzystanych w badaniach obrazów cyfrowych USG wyniosła 568. Otrzymany materiał USG poddano analizie eksperta. Na podstawie zdjęć cyfrowych właściwych przekrojów mięśni zaliczył on obrazy ultrasonograficzne do zdefiniowanych wcześniej pięć klas marmurkowatości. Otrzymane dane empiryczne stały się podstawą do budowy zbiorów uczących, niezbędnych w procesie generowania klasyfikatorów neuronowych przeznaczonych do identyfikacji poziomu przetłuszczenia śródmięśniowego u jagniąt owcy białogłowej mięsnej. Przygotowano zbiór uczący modelu neuronowego. Chcąc jednak przetworzyć dane graficzne w dane numeryczne, wykorzystano dedykowany system informatyczny. Pozwalał on zautomatyzować proces generowania histogramów (opisujących rozkłady jasności pikseli) właściwych dla pozyskanych obrazów USG. W celu redukcji szumów, poprawy jakości oraz uwypuklenia cech charakterystycznych obrazy źródłowe zostały poddane procesowi filtracji oraz transformacji do postaci monochromatycznej. Na histogramach wyznaczono 16 bloków reprezentujących 16 odcieni na obrazach monochromatycznych (rys. 3). Rysunek 3. Skala odcieni szarości (16 bloków ): 1 odcienie 0-15, 2 odcienie 16-31,, 16 odcienie Źródło. Opracowanie własne Blok 1 i 2 zawierał wartości 0 i został usunięty ze zbioru. Blok 16 stanowił zapis tła kolor biały i również został usunięty. Ze względu na charakterystykę obrazów, w żadnym z analizowanych przypadków jasność pikseli nie przekraczała poziomu ujętego w bloku nr 15. W rezultacie pozostało 13 bloków, które stanowiły 13 zmiennych wejściowych. Na rysunku 4 pokazano 13 deskryptorów będących zmiennymi wejściowymi generowanej SSN. Rysunek 4. Deskryptory uczące (13 bloków ) Źródło. Opracowanie własne Jako zmienną wyjściową zdefiniowano pięć klas marmurkowatości. Była to 1 nominalna zmienna wyjściowa (pięciostanowej: A, B, C, D, E). Klasy obejmowały: 1 klasa otłuszczenia A marmurkowatości: zawartość tłuszczu śródmięśniowego mała, 2 klasa otłuszczenia B marmurkowatości: zawartość tłuszczu śródmięśniowego mała, 3 klasa otłuszczenia C marmurkowatości: zawartość tłuszczu śródmięśniowego średnia, 29

30 4 klasa otłuszczenia D marmurkowatości: zawartość tłuszczu śródmięśniowego duża, 5 klasa otłuszczenia E marmurkowatości: zawartość tłuszczu śródmięśniowego bardzo duża. Po zdefiniowaniu danych wejściowych i wyjściowych przystąpiono do projektowania modelu neuronowego. Do symulacji modeli neuronowych wykorzystano moduł generatora sztucznych sieci neuronowych Statistica Neural Networks zaimplementowany w pakiecie Statistica v. 11. W procesie projektowania zastosowano wszystkie dostępne rodzaje sieci. Optymalną topologią neuronową okazała się sieć neuronowa typu PNN o strukturze , mająca: 13 neuronów w warstwie wejściowej, 404 neurony w warstwie ukrytej, 5 neuronów w drugiej warstwie klasyfikującej oraz 1 neuron wyjściowy. W tym przypadku optymalną topologią neuronową okazała się SSN typu PNN o strukturze mająca 13 neuronów w warstwie wejściowej, 404 neurony w warstwie ukrytej, 5 neuronów w drugiej warstwie klasyfikującej oraz 1 neuron wyjściowy. Sieć była uczona techniką z nauczycielem. Jakość modelu na podstawie wskaźnika RMS była dobra. Jakość klasyfikatora neuronowego umownie definiowana jest za pomocą procentu jego zgodnych (prawidłowych) zaklasyfikowań. Wygenerowana PNN osiągnęła jakość: 0, dla zbioru treningowego, 0, dla zbioru walidacyjnego, 0, dla zbioru testowego. Wykorzystane neuronowej analizy obrazu do identyfikacji jakościowej stopnia przetłuszczenia śródmięśniowego okazało się właściwą techniką klasyfikacyjną. Proponowana metoda może być praktycznym sposobem wspomagającym efektywnie procesy decyzyjne w trakcie produkcji żywnościowej pochodzenia zwierzęcego. Warto podkreślić, że zastosowanie neuronowej analizy obrazu umożliwiło nieinwazyjną estymację stopnia przetłuszczenia mięśnia żywego zwierzęcia. Otrzymana informacja może być istotnym wsparciem procesów decyzyjnych w szeroko rozumianej produkcji zwierzęcej. Proponowana metoda ma więc znaczenie utylitarne, w szczególności w kontekście automatyzacji oceny jakościowej mięsa. Informacja graficzna, zakodowana w postaci zdjęć ultrasonograficznych, charakteryzująca stopień przetłuszczenia śródmięśniowego jagniąt owcy oraz aplikacja metod neuronowej analizy obrazu pozwoliły na klasyfikację jakościową marmurkowatości (będącej miarą przetłuszczenia). Zaproponowana procedura pozwoliła na bezinwazyjną identyfikację poziomu przetłuszczenia śródmięśniowego jagniąt owcy białogłowej mięsnej. 30

31 Praca G W pracy przedstawiono wyniki badań w zakresie neronowej identyfikacji wołka zbożowego z wykorzystaniem obrazów rentgenowskich. Głównym celem badań było zidentyfikowanie graficznych cech reprezentatywnych występujących na cyfrowych obrazach rentgenowskich ziaren pszenicy, opisujących wewnętrzne uszkodzenia ziarniaków wywołane przez wołka zbożowego. Podobnie jak poprzednio, wykorzystano komputerową analizę obrazów klasyfikacji. Zboża mają najwyższy udział (!) w strukturze zasiewów rolnictwa światowego. Największe znaczenie w skali globu ma pszenica, następne są: jęczmień, kukurydza i ryż. W Polsce do najpopularniejszych gatunków zbóż należą: pszenica, żyto, pszenżyto, jęczmień, owies, kukurydza, proso, szarat i gryka. Wymienione gatunki mają duże zastosowanie w przemyśle młynarskim, paszowym, spirytusowym, browarniczym i farmaceutycznym. Najważniejszym aspektem przechowywania zboża jest magazynowanie ziarna zdrowego, suchego, czystego i wolnego od szkodników zbożowo-mącznych. W naszych warunkach klimatycznych ziarno ma najczęściej wilgotność powyżej 14%, bywa też zanieczyszczone i ma temperaturę wyższą od 18 C. Głównymi czynnikami przyspieszającymi szkodliwe procesy biochemiczne są wilgotność ziarna oraz temperatura. Wilgoć i ciepło sprzyjają rozwojowi mikroorganizmów (wirusy, bakterie, grzyby). W nawilżonych warstwach ziarna uaktywniają się procesy życiowe, np. pleśni. Zjawisko, niezauważone w porę, prowadzi do psucia i obniżenia jakości ziarna. Dominująca część produkcji zbóż jest przeznaczona na cele przetwórstwa rolno-spożywczego. Rosnąca skala produkcji oraz niewystarczające moce przerobowe zakładów przetwórczych wymuszają wdrażanie nowoczesnych procesów przechowywania produktu w specjalnie przygotowanych do tego celu magazynach na ogół specjalizowanych silosach. Przechowywane ziarno jest narażone na oddziaływanie wielu niekorzystnych czynników, m.in. skutki spowodowane przez różnego rodzaju szkodniki magazynowe. Jednym ze szczególnie groźnych agrofagów jest wołek zbożowy chrząszcz, którego pożywieniem i miejscem rozmnażania są zmagazynowane ziarna zbóż. Wywołuje on ogromne straty jakościowe zgromadzonego ziarna, co niestety prowadzi do znacznej utraty wartości przechowywanego materiału. Porażenie ziarna wołkiem zbożowym może mieć charakter jawny (informacja optyczna) oraz ukryty (skutki żerowania szkodnika wewnątrz ziarna). Szczególnie trudna jest identyfikacja porażenia ukrytego, co wynika ze specyfiki procesu rozmnażania wołka zbożowego. Od momentu złożenia jaja przez samicę, cały proces rozwoju odbywa się we wnętrzu ziarna. Znane sposoby identyfikowania ukrytego porażenia wymagają czasochłonnego zaanażowania eksperta, którego praca jest czasochłonna i kosztowna. Materiałem badawczym w pracy były cztery odmiany pszenicy jarej, wykazujące znamiona uszkodzenia przez wołka zbożowego (Sitophilus granarius L.), tj. odmiany Torka, Narwa, Banti oraz Symfonia. Z każdej z wymienionych odmian wybrano losowo 30 ziarniaków. Następnie ułożono je na arkuszu papieru z jedną warstwą pokrytą klejem. Tak przygotowany materiał został umieszczony w aparacie rentgenowskim Elektronika 25, emitującym promieniowanie miękkie, którym wykonano serię zdjęć. Fotografie powstały na kliszach Kodak XS1. Po wywołaniu 31

32 przeprowadzono proces konwersji obrazu do postaci cyfrowej. W tym celu użyto specjalizowanego skanera Epson Perfection V700 Photo. Klisze zeskanowano w rozdzielczości 200 dpi w 8- bitowej skali szarości. Tak pozyskane dane przekonwertowano jako zbiór danych wejściowych do modelu neuronowego. W tym przypadku jako dane wejściowej brano pod uwagę przede wszystkim parametry związane z geometrią i współczynnikami kształtu, czyli: bezwymiarowy współczynnik kształtu, współczynnik Fereta, współczynnik cyrkularności, współczynnik Malinowskiej, obwód, pole powierzchni, odmianę. Jako zmienną wyjściową zdefiniowano 1 dwustanową. W procesie projektowania wykorzystano wiele rodzajów sieci neuronowych. Najlepszą charakterystyką okazał się perceptron wielowarstwowy (MLP MultiLayer Perceptron) o strukturze 8:11-6-2:1:1, który uzyskał jakość testową 98,8%. Model składał się z następującej liczby neuronów: 11 w warstwie wejściowej (zmienna odmiana była nominalną zmienną czterostanową), 6 w warstwie ukrytej oraz 1 w warstwie wyjściowej. Przeprowadzono również analizę wrażliwości modelu na zmienne wejściowe, która wykazała, że najważniejszą cechą uczestniczącą w procesie klasyfikacji jest odmiana (tabela 6). Kolejną cechą jest współczynnik Fereta WF, informujący o wydłużeniu obiektu. Można zatem przypuszczać, że żerowanie wołka zbożowego powoduje silne zmiany kształtu, a w szczególności zmianę wydłużenia ziarna. Następnymi trzema istotnymi cechami (według wartości rangi) są kolejno: pole, obwód oraz współczynnik cyrkularności WC2. Tabela 6. Analiza wrażliwości modelu MLP 8:11-6-2:1:1 Model MLP 8:11-6-2:1:1 Błąd Ranga WC1 1,029 8 WC2 1,171 5 Pole 1,244 3 WF 1,482 2 Odmiana 4,302 1 WM 1,112 7 Obwód 1,172 4 WK 1,148 6 Należy podkreślić, że z analizy macierzy pomyłek wytworzonego modelu klasyfikacyjnego wynika (tabela 7), że model uczony zbiorem osiągnął 100% poprawnie sklasyfikowanych ziaren zasiedlonych przez wołka zbożowego. Tylko jeden ziarniak z grupy zdrowych został źle sklasyfikowany i przypisany do niewłaściwej klasy. 32

33 Tabela 7. Macierz pomyłek modelu klasyfikacyjnego MLP 8:11-6:1 Model Odpowiedź Odpowiedź Razem porażony zdrowy MLP 8:11-6:1 razem poprawne niepoprawne poprawne [%] 100,0 98,4 98,8 niepoprawne [%] 0,0 1,6 1,2 Uzyskane wyniki uczenia sztucznych sieci neuronowych pozwalają na pozytywną ocenę przyjętych założeń badawczych oraz trafność wyboru metodyki. Sztuczne sieci neuronowe wykorzystane w celu pośredniej identyfikacji wołka zbożowego na podstawie informacji zakodowanej w postaci zdjęć rentgenowskich uszkodzonych ziarniaków okazały się skutecznym narzędziem klasyfikacyjnym. Umożliwiło to opracowanie efektywnej metody wspomagającej procesy decyzyjne zachodzące podczas tworzenia oraz eksploatacji nowoczesnych technologii wspierających systemy magazynowania płodów rolnych. Klasyfikacja neuronowa jest efektywną technologią informatyczną pomagającą w procesie identyfikacji negatywnych skutków żerowania wołka zbożowego w zmagazynowanym ziarnie pszenicy. Podsumowanie i wnioski Wzrost zainteresowania bezpieczną i zdrową żywnością, a tym samym dążenie do zwiększenia kontroli jej jakości, będzie miało w przyszłości coraz większe znaczenie dla gospodarki. Cały proces będą determinować nie tylko uregulowania formalno-prawne w Unii Europejskiej, ale również coraz większa świadomość producentów i oczekiwania konsumentów. Zwiększona konkurencyjność rynkowa także będzie wymuszała wspomniany proces. Nie można też pominąć trendów związanych z optymalizacją kosztów oraz efektywnością różnych procesów. Chcąc zrealizować owe założenia, należy kontynuować postępujący proces automatyzacji różnorodnych rozwiązań oraz unowocześniania stosowanych technologii. Zadaniem przedstawionego cyklu prac było opracowanie metodyki do identyfikacji i oceny jakości produktów rolno-spożywczych. W badaniach wykorzystano metody neuronowej analizy obrazów do oceny jakości, które były motywowane potrzebą stworzenia we współczesnym rolnictwie innych, bardziej wydajnych kryteriów oceny jakości wymienionych produktów. Metodyka badawcza, opracowana na dość różnorodnych obiektach empirycznych z wykorzystaniem komputerowej analizy obrazów i modelowania neuronowego, jest istotnym wkładem w rozwój nauki rozpatrywanej dziedziny problemowej. 1. Przeprowadzone wyniki badań potwierdzają hipotezę, że komputerowa analiza obrazów i sztuczne sieci neuronowe są efektywnymi narzędziami, wspomagającymi proces identyfikacji i klasyfikacji badanych obiektów empirycznych. 33

34 2. Wybrane parametry graficzne pozyskane z obrazów obiektów, podzielone na grupy tematyczne opisujące: cechy geometryczne, barwę oraz teksturę, są reprezentatywne w procesie oceny jakościowej badanych produktów. 3. Istnieje potrzeba implementowania dedykowanych programów komputerowych do procesu przetwarzania i analizy obrazów dla odpowiednich obiektów empirycznych w celu dokładnej analizy i efektywności funkcjonowania. 4. Informacja graficzna, zakodowana w postaci zdjęć i zdjęć mikrofotograficznych, charakteryzująca dany obiekt umożliwiła dokonanie nieinwazyjnej oceny jakościowej, w oparciu o wykorzystanie metody neuronowej analizy obrazu. 5. Analiza jakościowa zaprojektowanych modeli neuronowych wykazała, że najlepsze zdolności identyfikacyjne i klasyfikacyjne osiągała topologia neuronowa typu perceptron wielowarstwowy. 6. Przeprowadzone badania wskazują na budowanie systemów informatycznych o otwartej strukturze, umożliwiającym implementację modeli neuronowych w celu zbudowania systemu ekspertowego dedykowanego dla wsparcia procesów decyzyjnych zachodzących w szeroko rozumianej produkcji rolno-spożywczej. Literatura Boniecki, P., Dach, J., Mueller, W., Koszela, K., Przybył, J., Pilarski, K., Olszewski, T. (2013). Neural prediction of heat loss in the pig manure composting process. Applied Thermal Engineering, 58: Boniecki, P., Dach, J., Pilarski, K., Piekarska-Boniecka, H. (2012). Artificial neural networks for modeling ammonia emissions released from sewage sludge composting. Atmospheric Environment, 57: Boniecki, P., Koszela, K., Przybylak, A. (2010). Klasyfikacja wybranych odmian jabłek oraz suszu marchwi z wykorzystaniem sieci neuronowych typu Kohonena. Journal of Research and Applications in Agricultural Engineering, 55(1): Chen, Y., Ping, Lin P., Yong He, Y. (2011). Velocity representation method for description of contour shape and the classification of weed leaf images. Biosystems Engineering, 109(2): Ciećko, Z., Forek, S., Purwin, C., Kruk, A., Czerniewicz, M., Kwiatkowki, J., Szczukowki, S., Szagała, J., Weidner, S., Wojtas, A., Wróbel, Z., Wyszkowski, M. (2003). Ocena jakości i przechowalnictwo produktów rolnych. Olsztyn. Coticchio, G., Sereni, E., Serrao, L., Mazzone, S., Iadarola, I., Borini, A. (2004). What criteria for the definition of oocyte quality? Annals of the New York Academy of Sciences, 1034: Duch, W. (1997). Fascynujący świat komputerów. Wydawnictwo Nakom, Poznań. ISBN Haugeland, J. (1985). Artificial Intelligence. The MIT Press, Cambridge. Jarczyk, A., Berdowski, I.B. (1997). Przetwórstwo owoców i warzyw (Cz. 01). WSiP, Warszawa. 34

35 Jaśkowski, J.M. (2011). Wykorzystanie nanotechnologii do jakościowej oceny oocytów i zarodków zwierząt. Biznes Weterynaryjny, 6. Jayas, D.S., Paliwal, J., Visen, N.S. (2000). Multi-layer neural networks for image analysis of agricultural products. Journal of Agricultural Engineering Research, 77: Jeziorkowski, M., Antosik, P., Jaśkowski, J.M. (2007). Produkcja zarodków świń in vitro nowsze aspekty. Medycyna Weterynaryjna, 63(6): Kavdır, I., Guyer, D.E. (2004). Comparison of Artificial Neural Networks and Statistical Classifiers in Apple Sorting using Textural Features. Biosystems Engineering, 89 (3): Kempisty, B, Walczak, R., Śniadek, P., Piotrowska, H., Woźna, M., Jackowska, M., Bukowska, D., Antosik, P., Dziuban, J., Jaśkowski, J.M. (2011). Zastosowanie mikrochipu fluidycznego typu Lab-on-Chip do oceny jakości oocytów i zarodków ssaków. Medycyna Weterynaryjna, 67(8): Kierczyńska, S. (2005). Consumption of fruit on the background of their production in Poland. Annals of the Association of Agricultural Economists and Agribusiness 7, 8: Koszela K., Weres, J. (2009). Neuronowa klasyfikacja obrazów suszu warzywnego. Inżynieria Rolnicza, 8(117): Koszela, K., Weres, J. (2005). Analiza i klasyfikacja obrazów suszu warzywnego z wykorzystaniem sztucznych sieci neuronowych. Inżynieria Rolnicza, 2 (62): Koszela, K., Weres, J. (2009). Neuronowa klasyfikacja obrazów suszu warzywnego. Inżynieria Rolnicza, 8(117): Koszela, K., Weres, J., Jakubowski, G., Kolasa-Więcek, A. (2013). Zastosowanie komputerowej analizy obrazu w badaniach tribologicznych. Journal of Research and Applications in Agricultural Engineering, 58(2): Kujawa, S., Tomczak, R.J., Kluza, T., Weres, J., Boniecki, P. (2012). A stand for the image acquisition of composted material based on the sewage sludge. W: 4th International Conference on Digital Image Processing. Kuala Lumpur (Malaysia). Proceedings of SPIE. Vol. 8334, Article Number: 83341R. DOI: / Kurzweil, R. (1999). The Age of Spiritual Machines. Books Penguin. Majumdar, S., Jayas, D.S. (1999). Classification of bulk samples of cereal grains using machine vision. Journal of Agricultural Engineering Research, 73: Muhammad, A. Shahin., Symons, J. S. (2001). Lentil seed size distribution with machine vision. W: ASAE Meeting Presentation Paper Number: Nadulski, R. Guz, T. (2001). Zastosowanie systemu wizyjnego analizy obrazu w badaniach procesu cięcia warzyw korzeniowych. Inżynieria Rolnicza, 11(31): Pijanowski, E., Dłużewski, M., Dłużewska, A., Jarczyk, A. (2009). Ogólna technologia żywności. WNT, Warszawa. Rich, E., Knight, K. (1990). Artificial Intelligence. McGraw-Hill Science. 35

36 Rudnicki, Z., Oleksiak, Z., Pytko, S., Szydlo, Z. (2002). A Method of Processing and Feature Extraction of Tribological Surface Images. Papers of 6th International Tribology Conference - AUSTRIB'02, Perth, Australia, 2-5 Dec. Schalkoff, R. J. (1990). Artificial Intelligence: An Engineering Approach. McGraw-Hill College. Shouche, S.P., Rastogi,, R., Bhagwat, S.G., Sainis, J.K. (2001). Shape analysis of grains of Indiana wheat varieties. Computers and Electronics in Agriculture, 33: Sikora T., Weber P. (1995). Attempt to explore consumer preferences for meat culinary. Economy Meat, 47(1): Sikora, T. (1995). Żywność gwarantowanej jakości. Przemysł Spożywczy, 6. Szczucki, C. (1970). Zakresy znaczeniowe podstawowych pojęć w kontroli produktów mięsnych. Gospodarka Mięsna, 1. Śniadek, P. (2011). Lab-on-a-chip for quality assessment of reproductive cells of breeding animals. Special Forum & Exhibition, Best of East- for easter partnership, Challenges and Opportunities for Collaboration. Tadeusiewicz R., (1995). Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa. Trajer, J., Sała, R., Kozirok, W., Fornal, Ł. (2003). Identyfikacja odmiany wybranego gatunku ziaren zbóż na podstawie cech obrazu. Inżynieria Rolnicza, 12(54): Tukiendorf, M. (2003). Modelowanie neuronowe procesów mieszania niejednorodnych układów ziarnistych. Wyd. Akademii Rolniczej w Lublinie, Lublin. Utku, H. (2000). Application of the feature selection method to discriminate digitized wheat varieties. Journal of Food Engineering, 46: Winston, P. H. (1992). Artificial Intelligence. Addison-Wesley. Wiśniewska, M., Malinowska, E. (2011). Zarządzanie jakością żywności. Systemy, koncepcje, instrumenty. Difin, Warszawa. Zaborowicz, M., Boniecki, P., Koszela, K., Przybył, J., Mazur,R., Kujawa, S., Pilarski, K. (2013). Use of artificial neural networks in the identification and classification of tomatoes. Proc. SPIE DOI: / Zaborowicz, M., Przybył, J., Koszela, K., Boniecki, P., Mueller, W., Raba, B., Lewicki, A., Przybył, K. (2014). Computer Image Analysis in Obtaining Characteristics of Images Greenhouse Tomatoes in the Process of Generating Learning Sets of Artificial Neural Networks. Proc. SPIE DOI: / Zapotoczny, P. (2002). Pomiar wielkości geometrycznych ogórków z wykorzystaniem komputerowej analizy obrazu. Problemy Inżynierii Rolniczej, 4 (38): Zapotoczny, P., Białobrzewski, I. (2002). Pomiar barwy z wykorzystaniem komputerowej analizy obrazu. Problemy Inżynierii Rolniczej, 4 (38): Zayas, I.Y., Steele, J.L. (1996). Image texture analysis for discrimination of mill fractions of hard and soft wheat. Cereal Chemistry, 73:

37 4.2. OMÓWIENIE POZOSTAŁYCH OSIĄGNIĘĆ NAUKOWO-BADAWCZYCH W początkowym okresie pracy naukowej zajmowałem się zagadnieniami związanymi z naukowymi podstawami wykorzystania technik sztucznej inteligencji w szeroko rozumianym rolnictwie. Wszystkie badania były zapoczątkowane na etapie przygotowywania pracy magisterskiej, a znacznie rozwinięte w toku badań prowadzonych w Instytucie Inżynierii Biosystemów Uniwersytetu Przyrodniczego w Poznaniu w czasie przygotowywania doktoratu. Problematyka badawcza obejmowała wiele zagadnień związanych z wykorzystaniem nowoczesnych technologii w procesie wspomagania podejmowania decyzji. Zakres badawczy dotyczył przede wszystkim zagadnień: a. tworzenia systemów informatycznych, implementacje systemów ekspertowych wspomagających procesy decyzyjne, b. tworzenia modeli prognostycznych z wykorzystaniem sztucznych sieci neuronowych, c. budowy modeli neuronowych z wykorzystaniem analizy obrazów wspomagających procesy klasyfikacyjne produktów spożywczych. A. Tworzenia systemów informatycznych, implementacje systemów ekspertowych wspomagających procesy decyzyjne Głównym przedmiotem moich zainteresowań naukowo-badawczych są zagadnienia związane ze sztuczną inteligencją i jej implementacją w sektorze rolno-spożywczym. Podjęte badania dotyczyły przede wszystkim stosowania nowoczesnych rozwiązań w obszarach jeszcze niezagospodarowanych. Tworzenie i implementacja systemów doradczych dla różnorodnej problematyki pozwoliły mi poznać i zrozumieć jak ważna jest dobra analiza dziedziny problemowej danego obiektu empirycznego. Implantacja oprogramowania ma znaczenie dopiero w drugiej kolejności. Bardzo często spotykamy się z różnorodnymi systemami informatycznymi, które nie są odpowiednio przygotowane dla użytkownika końcowego. W wyniku niskiej ergonomii i braku odpowiedniej użyteczności funkcjonalnej pojawia się zniechęcenie co do ich użytkowania. Dlatego jest ważne, by aplikacje były przeznaczane do danych zagadnień. Proces zarządzania spedycją w przedsiębiorstwach dystrybucyjnych, w branży rolno-spożywczej z uwagi na swoją złożoność i dużą ilość przetwarzanych informacji przebiega sprawniej, jeżeli jest wspierany przez dedykowany system informatyczny. Do takich narzędzi można zaliczyć programy dedykowane w tym systemy ekspertowe. Wspomniany proces integruje zróżnicowane obszary przedsiębiorstwa, a zatem system informatyczny wspomagający go powinien mieć budowę modułową oraz powinien integrować swoje zasoby z innymi systemami w przedsiębiorstwie. Istotnym elementem prezentowanej aplikacji jest moduł odpowiadający za komunikację z systemem geolokalizującym Google Maps, pozwalający na obliczanie odległości oraz wizualizację trasy przejazdu od centrum dystrybucyjnego do odpowiednich klientów detalicznych. Celem pracy było zaprojektowanie i wytworzenie systemu informatycznego, którego zadaniem była optymalizacja kosztów ob- 37

38 sługi logistycznej dla przedsiębiorstwa działającego w branży rolno-spożywczej. Ze względu na szeroki zakres analizy, jakim jest logistyka, obszar działania programu został ograniczony do zagadnień związanych z transportem dóbr do klienta. Do analizy zagadnienia zostały wykorzystane dane udostępnione przez jednego z dystrybutorów branży FMCG (ang. Fast Moving Consumer Goods). Zakres pracy związany z realizacją oprogramowania obejmował: szczegółową analizę problematyki transportu żywności, zapoznanie się z możliwościami narzędzi geolokalizacyjnych firmy Google, rozpoznanie technologii bazodanowych, analiza wymagań na podstawie konsultacji z pracownikami centrum dystrybucyjnego. Wytworzone oprogramowanie optymalizuje koszty transportu w przedsiębiorstwie poprzez dokładną kontrolę zasobów transportowych i formułowaniu odpowiednich komunikatów kierowanych do użytkownika podczas przypisywania i kompletowania wymienionych zasobów. Narzędzia geolokalizacyjne firmy Google (a także innych firm) mogą być pomocnym źródłem informacji dotyczących pokonywanych odległości przez jednostki transportowe, jednakże brak możliwości zdefiniowania rodzaju pojazdu (w przypadku Google Maps) uniemożliwia dokładny pomiar odległości. Nowoczesne oprogramowanie bazodanowe jest bardzo użyteczne przy tworzeniu dedykowanych systemów ekspertowych. W przyszłości powinna następować coraz większa integracja systemów ekspertowych z bazami danych (zał. 6 pozycja 10). Drugą pracą badawczą realizowaną w ramach tego zakresu badawczego było zbudowanie robota mobilnego wraz z dedykowanym oprogramowaniem. Celem głównym pracy było zaprojektowanie lądowego robota mobilnego o nazwie FENIX którego zadaniem było rozpoznawanie obiektów w miejscach trudno dostępnych dla człowieka np. w kanałach wentylacyjnych lub wszelkiego rodzaju rurociągach również tych umieszczonych pod ziemią. Podczas inspekcji kanałów wentylacyjnych wykorzystywanych miedzy innymi w rolnictwie można napotkać obiekty, które powodują nieprawidłowe funkcjonowanie takiego kanału lub też zatory. Każdy z obiektów, który może znajdować się w rurociągach lub kanałach wentylacyjnych posiada pewne charakterystyczne cechy takie jak barwa i kształt. Tak więc można stwierdzić, że kształt obiektu znajdującego się w kanale pozwala na jego identyfikacje, gdyż na podstawie wyglądu zewnętrznego inspektor może dokonać identyfikacji zatoru lub jego uszkodzenia wraz z identyfikacją miejsca jego powstania. Zakres pracy związany z realizacją celu obejmował: zapoznanie się z możliwościami układów mobilnych, zweryfikowanie możliwości wykorzystania kamer z monitoringu, zaprojektowanie i wytworzenie oprogramowania mogącego współpracować z urządzeniami mobilnymi o charakterze inspekcyjnym, zaprojektowanie diagramów obiektowych w notacji UML, przeprowadzenie inspekcji kanału oraz akwizycja zdjęć, przeprowadzenie analizy obrazu na zdjęciach pozyskanych w trakcie inspekcji, przeprowadzenie testowania systemu w kanale symulacyjnym, analiza i ocena wyników przeprowadzonego doświadczenia. 38

39 W wyniku przeprowadzonych badań zaprezentowano i opisano autorski projekt robota mobilnego FENIX będącego narzędziem do inspekcji kanałów wentylacyjnych. Oprócz tego zaprojektowano i wytworzono program komputerowy, który w swym zakresie obejmował sterowanie platformą mobilną jak również posiadał moduł analizy obrazów oraz moduł diagnostyczny. Można stwierdzić, że wykorzystanie technik komputerowej analizy obrazów umożliwia rozpoznanie miejsca i rodzaju zatoru wraz z jego pomiarem. (zał. 6 pozycja 12). Inna pracą badawczą w ramach której zaimplantowaną dedykowaną aplikację był system do oceny ilościowej i jakościowej zużycia rolek napinaczy. Tribologia (określana również jako trybologia) jest to nauka o procesach, które zachodzą w ruchomym styku pomiędzy ciałami stałymi. Zakres tribologii obejmuje badania nad tarciem, zużyciem i smarowaniem ruchomych zespołów w celu zapoznania się z tymi procesami i sterowania nimi. W dziedzinie tribologii stosunkowo niewiele publikacji świadczy o wykorzystaniu komputerowej analizy obrazów, chociaż stale postępująca automatyzacja i robotyzacja procesów obróbki i monitorowania stanu eksploatowanych maszyn, jak również ciągły rozwój badań tribologicznych umożliwiają zapotrzebowanie na rozwijanie metod automatycznej komputerowej analizy obrazów powierzchni uczestniczących w procesach tarcia Celem pracy było opracowanie metody badawczej oraz zaprojektowanie i wytworzenie aplikacji, której zadaniem jest umożliwienie opisu ilościowego i jakościowego zużycia powierzchni wskutek działania pary kinematycznej pasek-rolka. Na potrzeby badań zaprojektowano i wykonano program komputerowy przeznaczony do analizy obrazów cyfrowych. Zrealizowane badania pozwoliły na opracowanie metody w zakresie wykorzystania komputerowej analizy obrazów do oceny ilościowej i jakościowej zużycia rolek napinaczy. Metoda ta polegała na akwizycji obrazu wybranych próbek oraz komputerowej analizie obrazów, pozwalającej na obliczenie udziału zużytych obszarów rolek napinacza. Wstępne opracowanie algorytmu komputerowej analizy obrazów, wskazują, iż może on stanowić dogodne narzędzie analityczne, przydatne do obiektywnej kontroli właściwości eksploatacyjnych części maszyn (zał. 6 pozycja 21). Uzyskane wyniki tego zakresu badawczego, zostały opublikowane w oryginalnych pracach twórczych (załącznik nr 6 pozycja 8, 10, 12, 16, 21, 41). B. Tworzenia modeli prognostycznych z wykorzystaniem sztucznych sieci neuronowych W czasie pracy badawczej interesowałem się modelami predykcyjnymi z wykorzystaniem metod stochastycznych, czyli sztucznych sieci neuronowych. Do najważniejszych zadań realizowanych przez modele neuronowe możemy zaliczyć: a) predykcję, czyli przewidywanie określonych danych wyjściowych na podstawie pewnych danych wejściowych, często także po ustaleniu związków łączących dane wyjściowe z wejściowymi. Szczególną zaletą sieci neuronowych jako narzędzia prognozującego jest fakt, że sieć w procesie uczenia może nabyć zdolność przewidywania sygnałów wyjściowych bez konieczności stawiania w sposób jawny hipotez o naturze związku pomiędzy danymi wejściowymi i przewidywanymi wynikami, 39

40 b) klasyfikację i rozpoznawanie, czyli przypisywanie do odpowiednich klas różnych obrazów wejściowych, c) optymalizację, polegającą na poszukiwaniu rozwiązań prowadzących do optymalnych decyzji, d) analizę danych, polegającą na poszukiwaniu związków miedzy danymi wejściowymi, e) filtrację sygnałów, polegającą na usuwaniu szumów, usuwaniu błędów systematycznych i redukcji informacji. Obecnie to narzędzie jest zbyt mało stosowane w procesach planowania. Właśnie sieci neuronowe są zaawansowaną, nieliniową techniką analizy danych, ukierunkowaną głównie na rozwiazywanie problemów, w których zdefiniowanie a priori postaci modelu matematycznego jest trudne lub nieliniowe, natomiast istnieje duża liczba obserwacji (wariantów) określonego zjawiska. Dlatego też sztuczne sieci neuronowe są doskonałym narzędziem prognostycznym. Dzięki tym cechom, modele neuronowe znalazły zastosowanie w problemach prognostycznych, szczególnie w sytuacjach, gdzie tradycyjna ekonometria napotyka trudności. Jednym z zastosowań sztucznych sieci neuronowych może też być analiza i prognozowanie szeregu czasowego. W tym celu wykorzystuje się neuronowy model szeregu czasowego, który w wielu wypadkach może być alternatywą do tradycyjnych modeli prognostycznych. Podstawowym celem prac było opracowanie modeli prognostycznego w zakresie: dystrybucji produktów rolniczych, estymacji poziomu biometanu z typowych substratów rolniczych, prognozy cen pszenicy konsumpcyjnej na zdecentralizowanym rynku towarowym. W przypadku modelu prognostycznego w zakresie prognozowania sprzedaży, zaprojektowany model charakteryzował się błędem RMS 5%. Błąd ten jest wskaźnikiem definiującym jakość wytworzonego modelu neuronowego. Definiowany jest jako sumaryczny błąd popełniany przez sieć na zbiorze danych (uczących, testowych lub walidacyjnych). Wyznacza się go poprzez sumowanie kwadratów błędów indywidualnych, podzielenie uzyskanej sumy przez liczbę uwzględnionych wartości i wyznaczenie pierwiastka kwadratowego z otrzymanego ilorazu. Błąd RMS stanowi najdogodniejszą do interpretacji pojedynczą wartość opisującą sumaryczny błąd sieci (zał. 5 pozycja 4). Modelowanie neuronowe również wykorzystałem dla estymacji biometanu z substratów rolniczych. Jako zmienne (sygnały) wejściowe oraz wyjściowe zbioru przyjęto 5 mierzalnych cech reprezentatywnych, charakteryzujących w sposób podstawowy parametry procesu fermentacji metanowej takich jak: masa suchej substancji SM [%], masa suchej substancji organicznej SMO [%], konduktywność [µs], ph, Objętość wytwarzanego biogazu [dm3 ]. Jako zmienna wyjściowa zdefiniowano, produkcja metanu CH4 [%]. W wyniku przeprowadzonych badań i analizie wrażliwości modelu stwierdzono, że największa istotność zmiennych wejściowych, to odpowiednio w kolejności: objętość, ph, konduktywność, masa substancji suchej oraz masa substancji organicznej. Uzyskane wyniki analizy wrażliwości sieci na zmienne wejściowe potwierdzają obserwacje laboratoryjne z prowadzonych badań. W trakcie realizacji szeregu prac badawczych dotyczących analizy biogazowej różnych substratów rolniczych często zauważyć można prawidłowość, że wraz ze wzrostem ilości wytwarzanego biogazu wzrasta w nim stężenie 40

41 biometanu. Z kolei rola ph w fermentacji jest nie do przecenienia, gdyż z doświadczeń wyniesionych z badań laboratoryjnych oraz z realnie pracujących instalacji wynika, że zaburzenia odczynu (zwłaszcza jego spadek) mogą gwałtownie zahamować czy wręcz zupełnie zatrzymać proces wytwarzania biometanu. Uzyskane wyniki badań pozwalają na stwierdzenie, że predykcyjny model neuronowy, opisujący produkcję metanu w trakcie procesu fermentacji kiszonki w biofermentorze, jest właściwym instrumentem w celu dokonania oceny prognozowania poziomu tej emisji. (zał. 6 pozycja 14). Kolejnym modelem prognostycznym była praca w zakresie predykcji cen pszenicy konsumpcyjnej. Celem badań było sprawdzenie możliwości wygenerowania modelu neuronowego, wspomagającego prognozowanie dziennego najwyższego i najniższego kursu kupna-sprzedaży pszenicy konsumpcyjnej na rynku Forex. Ze względu na swoje właściwości pszenica, oprócz jęczmienia, jest najstarszym zbożem chlebowym. Po ryżu i kukurydzy zajmuje trzecie miejsce w światowej produkcji zbóż. Rocznie na świecie produkuje się jej 690 mln ton, a od ilości jej produkcji i ceny, zależy cena mąki, dalszego surowca w produkcji żywności. Pierwszym krokiem było pozyskanie dziennych kursów kupna-sprzedaży pszenicy konsumpcyjnej za w latach Jako zmienne wejściowe modelu neuronowego zdefiniowano: data, dzień tygodnia, dzień roku, kwartał, oraz parametry dnia poprzedniego opisujące najwyższą oraz najniższą cenę, kurs otwarcia i zamknięcia, a także wolumen pszenicy, ropy naftowej, kukurydzy oraz pary walutowej EUR/USD. Na tej podstawie wygenerowano model pozwalający na predykcję najwyższej dziennej ceny pszenicy konsumpcyjnej. Dla tak przygotowanego zbioru uczącego zaprojektowano model sztucznej sieci neuronowej. Wygenerowany model poddano weryfikacji w warunkach rzeczywistych. Podając odpowiednie zmienne, wytworzone sieci prognozowały wartości minimalne i maksymalne kursu na następny dzień roboczy ( ). Zestawienie wartości rzeczywistych i prognozowanych przestawia tabela 1. - Najniższa cena Najwyższa cena Rzeczywista Prognozowana Rzeczywista Prognozowana Cena 599,13 $ 608,23 $ 620,13 $ 618,20 $ Różnica 9,10 $ 1,93 $ Błąd 1,52% 0,47% Tabela 2. Zestawienie wartości rzeczywistych i prognozowanych Źródło: Opracowanie własne Ze względu na złożoność zagadnienia prognozowania cen zbóż, w pracy przedstawiono możliwość użycia modelowania neuronowego. Efektem przeprowadzonych badań jest wygenerowanie dwóch modeli neuronowych RBF prognozujących dzienną najwyższą i najniższą wartość pszenicy konsumpcyjnej. Powstałe sieci o radialnych funkcjach bazowych świadczą o silnie nieliniowym charakterze zagadnienia. Błąd prognozowania wynosi od 0,47% do 1,52%, a prognozę modelu neuronowego sprawdzono w warunkach rzeczywistych. Po przeprowadzeniu analizy wrażliwości stwierdzono, że czynnikami mającymi dominujący wpływ na kurs pszenicy są wartości dotyczące notowań ropy naftowej, kukurydzy oraz pary walutowej EUR/USD (zał. 6 pozycja 37). 41

42 Uzyskane wyniki tego zakresu badawczego, zostały opublikowane w oryginalnych pracach twórczych (załącznik nr 6 pozycja 2, 4, 14, 15, 17, 18, 37). C. Tworzenie modeli neuronowych z wykorzystaniem analizy obrazów wspomagających procesy klasyfikacyjne produktów spożywczych Głównym powodem zainteresowania procesem widzenia są informacje jakie możemy dostrzec. Wrażenia wzrokowe dostarczają na bieżąco tysiące parametrów ilościowych i jakościowych pozwalających na ocenę sytuacji bieżącej w której akurat znajduje się człowiek. Jednakże istnieje dział informatyki - sztuczna inteligencja, która zajmuje się odtwarzaniem zachowania człowieka. Przedmiotem badań sztucznej inteligencji są reguły postępowania człowieka, które są implementowane jako modele symulacyjne w systemach informatycznych. Do najpopularniejszych metod sztucznej inteligencji można zaliczyć: logikę rozmytą, algorytmy genetyczne oraz sztuczne sieci neuronowe. Można spotkać się również z metodami hybrydowymi, które łączą w sobie klika metod sztucznej inteligencji niwelując wady poszczególnych modeli. Sieci neuronowe w odróżnieniu od klasycznych metod statystycznych cechują się nieliniowością, co oznacza, że mogą być stosowane wszędzie tam gdzie nie ma podstaw do aproksymacji liniowej oraz gdy modele liniowe nie mogą matematycznie opisać danego problemu. Szczególnie widoczne jest wykorzystanie sztucznych sieci neuronowych do celów klasyfikacyjnych, gdzie rezultaty są zdecydowanie lepsze niż metod klasycznych. Celem pracy była oceną jakościowa poprzez oznaczenie zanieczyszczeń w ziarnach jęczmienia browarnego z wykorzystaniem komputerowej analizy obrazu oraz wybranych metod sztucznej inteligencji. W prezentowanej pracy podjęto się tematyki związanej z oceną jakościową poprzez oznaczenie zanieczyszczeń w ziarnach jęczmienia browarnego z wykorzystaniem komputerowej analizy obrazu oraz wybranych metod sztucznej inteligencji. Wykonane badania nad wykorzystaniem wybranych technologii komputerowych do oznaczenia zanieczyszczeń a zarazem oceny jakości były motywowane potrzebą opracowania dla potrzeb rolnictwie nowych, bardziej wydajnych metod oceny jakości. Przedstawiona praca oraz wykonane badania naukowe pozwalają na sformułowanie wniosków. Wybrane parametry graficzne pozyskane z obrazów ziarniaków jęczmienia browarnego, podzielone na grupy tematyczne opisujące: cechy geometryczne, barwę oraz teksturę, są reprezentatywne w procesie oceny jakościowej ziarniaków jęczmienia browarnego. Zaproponowana technika identyfikacyjna (w stosunku do stosowanych obecnie metod) wykazuje zbliżoną jakość procesu oznaczania zanieczyszczeń jęczmienia browarnego. Jej przewagę stanowi fakt możliwości dokonania obiektywnej oraz szybkiej oceny jakościowej ziarniaków jęczmienia (zał. 6 pozycja 40). Kolejną celem pracy było wyekstrahowanie reprezentatywnych cech i wygenerowanie odpowiedniego modelu neuronowego dla potrzeb klasyfikacji odmian ziemniaka jadalnego. Głównym założeniem projektu było opracowania i przygotowania bazy danych graficznych 42

43 z wykorzystaniem oprogramowania do komputerowej analizy obrazu. Dokonano także wyboru odpowiedniego modelu neuronowego, tzn. takiego, który miałby największe zdolności identyfikacji wybranej odmiany. To przedsięwzięcie ma docelowo doprowadzić do wsparcia, a także przyspieszenia pracy eksperta, który klasyfikuje i przechowuje różne odmiany ziemniaków na pryzmach. Materiałem badawczym były odmiany ziemniaków Vineta i Denar. Na podstawie obrazów cyfrowych został przygotowany zbiór danych do modelu sztucznych sieci neuronowych. Zbiór uczący, wyekstrahowany z danych empirycznych z obrazu posiada 40 cech, wśród których można wyróżnić: cechy geometryczne, wybrane współczynniki kształtu, parametry definiujące kolor. W wyniku przeprowadzonych badań stwierdzono, że można zidentyfikować odmianę ziemniaka i dokonać oceny jakości. Podsumowując, na podstawie przeprowadzonych badań można sformułować następujące wnioski: Rozpoznawanie obiektów z wykorzystaniem komputerowej analizy obrazu oraz sztucznych sieci neuronowych pozwala na efektywną klasyfikację odmian Vineta i Denar. Na podstawie przeprowadzonej analizy wrażliwości, można było określić, które parametry wejściowe mają największy wpływ na jakość działania modelu (zał. 6 pozycja 42). Uzyskane wyniki tego zakresu badawczego, zostały opublikowane w oryginalnych pracach twórczych (załącznik nr 6 pozycja 5-7, 13, 24-26, 29-33, 38, 39-45). Podstawą pracy naukowej jest przeprowadzenie eksperymentów i badań, a także wykorzystywanie ich w sposób utylitarny. Dlatego drugim dość ważnym obszarem moich zainteresowań naukowych są zagadnienia związane z zarządzaniem przedsiębiorstwem i zarządzaniem strategicznym. Wynika to z faktu, że uczestniczę w procesach zarządczych w przedsiębiorstwie, w którym w przypadku wielu decyzji mogę implementować i weryfikować wykorzystywane narzędzia badawcze. W kręgu moich szczególnych zainteresowań znajdują się: a. identyfikacja atrybutów sensorycznych, instrumentalnych w wybranych produktach spożywczych, b. metodyka konstrukcji zbiorów służących do przygotowania optymalnej oferty rynkowej produktów żywnościowych, c. identyfikacja i konieczność uwzględniania w procesie kształtowania atrybutów prozdrowotnych i wysokiej jakości produktach żywnościowych, d. konieczność szczegółowego poznania potrzeb i oczekiwań konsumentów oraz ich mentalnego procesu decyzyjnego oraz czynne uczestnictwo w kreowaniu wizerunku marki producenta, podnoszącej wartość produktu i wpływającej na decyzje o zakupie. Zarządzanie jako odzwierciedlenie kompetencji rzetelnych i wiarygodnych decyduje o powodzeniu wielu przedsięwzięć. Zarządzanie jest zestawem działań (funkcji) obejmujących planowanie, organizowanie, motywowanie i kontrolowanie skierowane na zasoby organizacji wykonywanych z zamiarem osiągnięcia celów organizacji w sposób sprawny oraz skuteczny. Efektywne skuteczne zarządzanie polega na racjonalnym podejmowaniu decyzji, którego decyzje 43

44 stają podstawą realizacji przyjętej strategii rynkowej oraz wyznaczonych wyników ekonomicznych. Dynamicznym i sprawczym elementem w każdym przedsiębiorstwie jest menedżer/decydent, albowiem bez jego silnego przywództwa narzędzia i środki produkcji pozostają tylko środkami i nigdy nie staną się zasobami w procesie produkcją. Zwłaszcza w gospodarce opartej na wiedzy, wysokim poziomie konkurencji i globalizacji rynków sukces ekonomiczny oraz przetrwanie przedsiębiorstwa zależy w decydującym stopniu od kompetencji, umiejętności i wydajności decyzyjnej menedżerów. Co najważniejsze, kompetencja i umiejętności stają się często jedyną skuteczną i efektywną przewagą, którą przedsiębiorstwo może osiągnąć w gospodarce rynkowej. Dlatego nurt ekonomiczny jest dla mnie istotny jako odzwierciedlenie praktycznego uczestnictwa w procesie komercjalizacji własnych badań naukowych. Uzyskane wyniki tego zakresu badawczego, zostały opublikowane w oryginalnych pracach twórczych (załącznik nr 6 pozycja 9, 27,28). 5. ZESTAWIENIE DOROBKU NAUKOWO-BADAWCZEGO Mój dotychczasowy dorobek naukowy obejmuje łącznie 52 pozycje (autor i współautor) w znanych i renomowanych polskich i zagranicznych czasopismach naukowych oraz rozdział w monografii krajowej. Ponadto opublikowałem 20 prac jako materiały konferencyjne kilku konferencji międzynarodowych, wśród których znajdują się również prace indeksowane w bazie Web of Science. Spośród 31 oryginalnych prac twórczych, 8 zostało wydanych w języku angielskim, w tym 4 w czasopismach z Impact Factor. We wszystkich pracach wyróżniających się IF pełniłem funkcję autora korespondencyjnego. Łącznie ukazały się 23 moje publikacje indeksowane w bazie WoS. Łączna suma punktów MNiSW wynosi 521 (tabela 1). Sumaryczny pięcioletni Impact Factor moich publikacji według listy Journal Citation Reports (JCR) wynosi 9,258. Moje prace uzyskały 102 cytowań z indeksem H równym 7 (wg bazy Web of Science z dnia ). W okresie przed uzyskaniem stopnia doktora na mój dorobek naukowy składały się 4 prace o tematyce popularnonaukowej. Znaczne zwiększenie mojego dorobku naukowo-badawczego nastąpiło po uzyskaniu stopnia naukowego doktora (tabela 1). Ponadto przygotowałem ponad 27 wystąpień konferencyjnych oraz brałem udział i organizowałem liczne seminaria naukowe. Nadto wykonałem 31 recenzji prac zgłaszanych w ramach konferencji międzynarodowych. Recenzowałem również 5 prace dla cenionych czasopism międzynarodowych (Journal of Integrated Waste Management, Science and Technology, American Journal of Applied Sciences, Computers and Electronics in Agriculture). Jestem także autorem kilku publikacji w czasopismach ekonomicznych takich, jak Harvard Bussines Review. 44

45 ZESTAWIENIE PRAC Wyszczególnienie Przed doktoratem Po doktoracie Łącznie Oryginalne opublikowane naukowe prace twórcze udostępnione w obiegu społecznym, monografie i publikacje książkowe (posiadające ISBN i EAN): A publikacje wliczone do osiągnięcia naukowego, B pozostałe publikacje Rodzaj publikacji Punkty MNiSW IF2015 (pięcioletni) Czasopisma z listy JCR A 125 7, B 191 2, Monografie A Materiały konferencyjne umieszczone w bazie WoS B A B Źródło danych RAZEM 521 9, Wskaźniki oceny dorobku naukowego Web of Science (core collection) Web of Science (core collection Web of Science (core collection Indeks Hirscha h Liczba publikacji w bazie