Машинное обучение и новые сенсорные технологии заменят традиционные лабораторные методы оценки качества мяса. Системы на основе искусственного интеллекта способны предсказывать нежность, свежесть и срок хранения продукта ещё до проведения каких-либо тестов, которые требуют уничтожения образца. Такой вывод содержится в обзоре Корейского института пищевых исследований, обобщившего сотни научных работ.
Существующие методы контроля несовместимы с темпами современного производства. Физико-химический анализ pH, пробы на содержание микроорганизмов и механические тесты на жёсткость точны, но требуют много времени и разрушают исследуемый образец. К моменту получения результатов продукция часто уже отгружена потребителю.
Первым шагом к решению проблемы стали неразрушающие сенсорные технологии. Ближняя инфракрасная спектроскопия за секунды оценивает содержание влаги, белка и жира. Гиперспектральная съёмка, которую авторы обзора считают наиболее перспективной, объединяет фотографию и спектральный анализ: каждый пиксель изображения несёт информацию о химическом составе, что позволяет создать полную карту качества целого куска мяса. Электронные «носы» улавливают летучие органические соединения, которые выделяются при размножении бактерий и окислении жиров.
Однако сами по себе сенсоры генерируют огромные объёмы необработанных данных, интерпретировать которые призваны алгоритмы машинного обучения. Они анализируют спектральные данные, выявляют фальсификацию, определяют вид мяса и прогнозируют порчу. Глубокое обучение расширяет эти возможности: сверточные нейросети автоматически анализируют изображения, оценивая мраморность говядины или выявляя примеси утятины в говяжьем фарше по одной только фотографии.
Применение этих технологий позволяет неразрушающим методом прогнозировать нежность говядины и баранины, обходясь без механических тестов. Алгоритмы, анализирующие фотографии туш, способны определять степень мраморности и присваивать класс качества с точностью, сопоставимой с работой опытных инспекторов, что исключает субъективный фактор. Электронные «носы» в связке с моделями ИИ оценивают уровень свежести и могут динамически предсказывать остаточный срок годности с учётом данных о температуре и влажности в цепочке поставок.
Особенно перспективно применение ИИ для продовольственной безопасности и борьбы с мошенничеством. В отличие от микробиологических тестов, требующих нескольких дней на инкубацию бактерий, новые системы обнаруживают признаки роста микроорганизмов практически мгновенно. Кроме того, спектроскопия уже научилась отличать виды мяса и выявлять посторонние примеси, предлагая быструю альтернативу анализу ДНК.
Несмотря на перспективы, широкому внедрению технологии мешает ряд факторов. Мясо биологически неоднородно, и модели, обученные на лабораторных данных, часто не справляются с условиями реального производства. Непрозрачность работы нейросетей («чёрный ящик») создаёт сложности для регуляторов, которым важна объяснимость решений о безопасности продукта. К практическим барьерам относят стоимость инфраструктуры, необходимость калибровки сенсоров и подготовку персонала.