تشخیص هندوانه شیرین و رسیده با کمک هوش مصنوعی!
تاریخ انتشار: ۳۰ آذر ۱۴۰۲ | کد خبر: ۳۹۳۳۹۴۸۲
به گزارش همشهری آنلاین، گاه از فروشنده میخواهیم بهترین را برایمان انتخاب کند و او نیز با زدن چند ضربه به هندوانه و گوشکردن به صدای ایجادشده، یکی را برایمان انتخاب میکند. اما این روش چندان هم مطمئن نیست، به همین خاطر دانشمندان با درنظر گرفتن این مهم که رطوبت یک عامل ضروری برای ارزیابی کیفیت داخلی هندوانه تازه است، روش جالبی را برای تشخیص هندوانه خوب از بد ابداع کردهاند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
روشهای سنتی جواب نمیدهد
هندوانه میوهای شیرین است که بهعنوان یک میوه تازه و آبدار در سراسر جهان مصرف میشود. هندوانه در زمره میوههای غیراقلیم طبقهبندی میشود؛ به این معنی که کیفیت آن از لحاظ شیرینی، سفتی، رنگ گوشت و سیترولین (یک اسید آمینه غیرضروری) در طول دوره رسیدگی بهتدریج افزایش مییابد و فرایند رسیدگی فیزیولوژیکی در هنگام برداشت به پایان میرسد. اثرات رسیدن غیراقلیم این است که هندوانه باید در زمان مناسب برداشت شود تا مرحله رسیدگی بهینه بهدست آید. با این حال، تخمین سطح رسیدگی هندوانه با استفاده از تجهیزات تشخیص غیرمخرب دشوار است.
به صدای هندوانه گوش کن!
بهطور سنتی، روشهای غیرمخرب زیادی وجود دارد که کشاورزان برای تخمین سطح رسیدگی هندوانه بهمنظور برداشت مناسب از آن استفاده میکنند؛ صداهای حاصل از ضربهزدن، الگوهای پوست هندوانه و وزن از ویژگیهای اصلی هستند که مورد استفاده قرار گرفتهاند. برای مثال، کشاورزان به صداهای ضربهزدن گوش میدهند، الگوهای پوست هندوانه را مشاهده و یکی را وزن میکنند و سپس اطلاعات این ویژگیها را برای تخمین سطح رسیدگی هندوانه ادغام میکنند. با این حال، از آنجا که این روشها به تجربیات و عملکرد فیزیکی مزرعه نیاز دارند، اشتباهات طبقهبندی بهراحتی میتواند بهدلیل قضاوت شخصی رخ دهد که در نتیجه ماحصل آن، دقت طبقهبندی پایین است. بهخصوص، تشخیص توسط انسان نمیتواند بهطور مؤثر شیرینی هندوانه را پیشبینی کند.
استفاده از فناوری
اســتــفــاده از فـنـاوریهای تشخیص غیرمخرب مدرن برای بهبود دقت طبقهبندی شیرینی هندوانه مهم است. امروزه، فناوریهای تشخیص غیرمخرب برای تخمین شیرینی مانند تشدید مغناطیسی هستهای یا طیفسنجی مادون قرمز نزدیک وجود دارد. با این حال، تشدید مغناطیسی هستهای گران است؛ درحالیکه تنظیم طیفسنجی مادون قرمز نزدیک برای بهدستآوردن نتایج تخمین قوی و دقیق دشوار است.
در مقابل، سیگنالهای صدای ضربهزدن و شرایط پوست هندوانه بهطور گسترده توسط کشاورزان برای تخمین سطح رسیدگی استفاده شده است. جمعآوری و استفاده از این ویژگیها ساده و راحت است. دو فناوری تشخیص مرتبط برای ویژگیها را میتوان شناسایی کرد که پردازش سیگنال صوتی و تصویر است. امروزه دو فناوری تشخیص مدرن بهطور گستردهای برای استخراج ویژگیها از هندوانه استفاده میشود. در فناوری ویژگی صوتی، این فناوری معمولاً حداکثر فرکانس (Fmax) پاسخ ضربهای را بهصورت امواج صوتی یا ارتعاش درنظر میگیرد. این فناوری بهطور مؤثر برای تخمین رسیدگی، نقص داخلی و استحکام استفاده میشود. برای فناوری پردازش تصویر، پوست هندوانه معمولاً برای تخمین رسیدگی و آسیب داخلی هندوانه استفاده میشود.
بیشتر بخوانید:
برترین گجتهای سال ۲۰۲۳ کدامند؟ | سیب پیشتاز!بنابراین لازم است صدای ضربهزدن را با پوست هندوانه و وزن ترکیب کرد تا عملکرد تخمین شیرینی افزایش یابد. در پوست هندوانه، از آنجا که رسیدگی فیزیولوژیکی در هنگام برداشت بهعنوان یک میوه غیراقلیم تغییر میکند، الگوهای پوست این امکان را میدهد که تشخیص دهیم هندوانه زودرس برداشت شده است یا خیر. علاوهبراین، وزن با سطح رسیدگی همبستگی دارد. منطقی است که از وزن بهعنوان یک ویژگی درنظر گرفتهشده استفاده کنید.
یادگیری ماشینی
محققان یک روش غیرمخرب همجوشی برای طبقهبندی شیرینی هندوانه براساس تکنیکهای پردازش سیگنال صوتی و تصویر پیشنهاد دادهاند. ضربه زدن و ایجاد سیگنالهای صوتی، الگوی پوست هندوانه و وزن بهعنوان ویژگی درنظر گرفته میشود. این 3 ویژگی از تکنیکهایی الهامگرفته شده است که توسط کشاورزان برای تخمین رسیدگی هندوانه استفاده میشود. تکنیکهای یادگیری ماشین (ML) برای توسعه مدلهای طبقهبندی شیرینی استفاده میشوند. مدلهای یادگیری ماشینی، عملکرد طبقهبندی را ارزیابی میکنند. جالب اینکه نتایج نشان میدهد که روش پیشنهادی میتواند هندوانهها را از حیث شیرینی بهطور قابل اعتماد، طبقهبندی کند. بالاترین دقت طبقهبندی در این روش به 92درصد میرسد که توسط درختان تقویتشده گرادیان (میدانبُرداری) بهدست میآید.
منبع: همشهری آنلاین
کلیدواژه: شب یلدا خبر مهم هوش مصنوعی میوه و تره بار کامپیوتر و رایانه تکنولوژی فناوری کشاورزی استفاده می شود پوست هندوانه برای تخمین طبقه بندی ضربه زدن ویژگی ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.hamshahrionline.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «همشهری آنلاین» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۹۳۳۹۴۸۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
انسانها سوگیری یادگیری ماشینی را بیشتر از سوگیری خود تشخیص میدهند
یک پژوهش جدید نشان میدهد که افراد سوگیری تصمیمهای الگوریتم یادگیری ماشینی را بیشتر از سوگیری تصمیمهای خودشان تشخیص میدهند. شاید بتوان از این ویژگی برای اصلاح سوگیریهای انسان استفاده کرد.
به گزارش ایسنا، از برنامههایی که تماشا میکنیم تا افرادی که استخدام میکنیم، الگوریتمها به طور فزایندهای در زندگی روزمره ما ادغام میشوند و بیسروصدا بر تصمیمهایی که میگیریم اثر میگذارند.
به نقل از ادونسد ساینس نیوز، هسته الگوریتمها، مجموعهای از قوانین یا دستورالعملهاست که برای پردازش اطلاعات و به دست آوردن یک نتیجه خاص طراحی شدهاند اما از آنجا که الگوریتمها از الگوهای رفتاری انسان یاد میگیرند، میتوانند سوگیریهایی را که درون ما وجود دارند، منعکس یا حتی تقویت کنند. با وجود این، یک پژوهش جدید نشان میدهد که این ممکن است زیاد بد نباشد.
«کری موروج»(Carey Morewedge) استاد «دانشگاه بوستون»(Boston University) معتقد است که این بازتاب میتواند نقاط کور سوگیری ما را روشن کند و در اصلاح رفتار نقش داشته باشد. الگوریتمهای یادگیری ماشینی بسیار موفق هستند زیرا میتوانند بیطرفانه الگوها را در مجموعه دادهها پیدا کنند اما در عین حال، سوگیریهای انسانی را نیز در دادههای آموزشی خود لحاظ کنند.
هنگامی که این سوگیریها در الگوریتمها شناسایی میشوند، میتوانند به آشکارسازی سوگیریهای بلندمدت در سازمانها کمک کنند. به عنوان مثال، شرکت «آمازون»(Amazon) سوگیری جنسیتی را در شیوههای استخدام خود بررسی نکرده بود اما با آزمایش یک الگوریتم که رزومههای جدید را براساس شیوههای پیشین استخدام شرکت ارزیابی میکرد، به این موضوع پی برد.
موروج گفت: الگوریتمها میتوانند سوگیریهای انسانی را کدگذاری و تقویت کنند اما سوگیریهای ساختاری را نیز در جامعه ما نشان میدهند.
انسانها سوگیریهای خود را تشخیص نمیدهند
موروج و گروهش در پژوهش خود نشان دادند که افراد معمولا تمایل بیشتری را به تشخیص دادن و تصحیح کردن سوگیریهای موجود در تصمیمگیری الگوریتم در مقایسه با تصمیمگیری خودشان دارند. آنها باور دارند که با دانستن این موضوع ممکن است بتوان از الگوریتمها برای رسیدگی به سوگیریهای موجود در تصمیمگیریها استفاده کرد.
انسانها به دلیل پدیدهای به نام «نقطه کور سوگیری»، برای دیدن سوگیری خود تلاش زیادی نمیکنند و بیشتر متوجه سوگیری افراد دیگر هستند. دلیل این است که ما میتوانیم در فرآیندهای تصمیمگیری خود، سوگیری را توجیه کنیم یا برای آن بهانه بیاوریم. برای ناظری که هیچ اطلاعاتی درباره فرآیند فکری یا چگونگی تصمیمگیری ندارد، سوگیریها واضحتر و بهانهجویی دشوارتر است.
موروج و همکارانش در این پژوهش نشان دادند که حتی وقتی الگوریتمها براساس رفتارهای ما آموزش داده میشوند نیز این موضوع صادق است.
تشخیص دادن سوگیری در الگوریتم سادهتر است
پژوهشگران در یک مجموعه آزمایش، از شرکتکنندگان خواستند تا سرویس «ایربیانبی»(AirBnB) و رانندگان «لیفت»(Lyft) را براساس معیارهای تشخیصی مانند تعداد ستارهها، ارزیابیها و مدت زمان حضور داشتن کنار راننده رتبهبندی کنند.
پژوهشگران معیارهای غیرتشخیصی مانند تصویر یا نام را که هیچ ارتباطی با کار ندارند، دستکاری کردند. شرکتکنندگان دو بار رتبهبندی را انجام دادند و سپس، رتبهبندیهای آنها یا رتبهبندی الگوریتم آموزشدادهشده نشان داده شد.
گاهی اوقات رتبهبندی خود شرکتکنندگان به آنها نشان داده میشد اما به آنها گفته میشد که رتبهبندی الگوریتم است. در همه سناریوها، شرکتکنندگان در مقایسه با الگوریتمها سوگیری کمتری را در رتبهبندیهای خود مشاهده کردند.
موروج گفت: مردم وقتی معتقدند که رتبهبندیها توسط یک الگوریتم انجام شده است، تمایل بیشتری به سوگیری دارند. این در حالی است که ما در واقع الگوریتم را روی دادههای آنها آموزش میدهیم و رتبهبندی الگوریتم براساس آن دادهها صورت میگیرد.
وی افزود: این به این معنا نیست که مردم انواع بیشتری از ویژگیها را در الگوریتمها میبینند، بلکه چیزهایی را میبینند که برای خودشان تهدیدکنندهتر است. بیشتر مردم نمیخواهند از نژاد در رتبهبندیهای خود استفاده کنند یا میخواهند نژاد را در آن رتبهبندی نادیده بگیرند. بنابراین، این ایده که نژاد بر آن رتبهبندیها تأثیر گذاشته، تهدیدکننده است.
در نتیجه، از آنجا که سوگیری در یک الگوریتم به عنوان تصمیمگیری ناقص خود ما تلقی نمیشود، دیدن یا اعتراف کردن به وجود آن آسانتر است. به گفته موروج، این یافته دو روش را ارائه میدهد که الگوریتمها به واسطه آن میتوانند به انسان در کاهش سوگیری کمک کنند.
وی افزود: یک روش این است که تصمیمهای خود را جمعآوری کنید و الگوها را ببینید که به شما کمک میکنند تا سوگیری را تشخیص دهید اما هنوز موانعی بر سر راه توانایی ما برای تشخیص دادن سوگیریها وجود دارد. ما انگیزههایی را برای محافظت از خود داریم.
موروج و گروهش با پیروی از این منطق، آزمایش دیگری را انجام دادند تا ببینند آیا احتمال بیشتری وجود دارد که شرکتکنندگان به اصلاح سوگیری در رتبهبندیهای خود یا الگوریتم بپردازند. پس از مشاهده رتبهبندیها، به شرکتکنندگان فرصت داده شد تا سوگیری را اصلاح کنند و احتمال بیشتری وجود داشت که اصلاحاتی را در رتبهبندی الگوریتم انجام دهند. موروج گفت: از آنجا که افراد سوگیری را بیشتر در رتبهبندی الگوریتم میبینند تا خودشان، احتمال بیشتری وجود دارد که رتبهبندیهای الگوریتم را اصلاح کنند.
موروج اذعان داشت که این پژوهش هنوز در مراحل اولیه است اما او روش ملموسی را میبیند که از طریق آن میتوان یافتهها را در آموزش دادن الگوریتم برای جلوگیری از سوگیری در دنیای واقعی ادغام کرد. وی افزود: اولین گام این است که افراد سوگیریهای خود را بفهمند و آنها را ببینند. من فکر میکنم این الگوریتمها، روش سودمندی برای ارائه دادن یک دیدگاه واقعیتر به افراد درباره میزان سوگیری آنها هستند.
این پژوهش در مجله «PNAS» به چاپ رسید.
انتهای پیام