Verdienen Sie Geld mit Ihren Tech-Blogs, Gadgets und Tipps

Voiko koneoppiminen auttaa tekemään hedelmistä ja vihanneksista maukkaampia?

Huomautus: Seuraava artikkeli auttaa sinua: Voiko koneoppiminen auttaa tekemään hedelmistä ja vihanneksista maukkaampia?

Hedelmät ja vihannekset maukkaampia: Vuosien mittaan Asiantuntijat ovat aina valmistaneet hedelmiä ominaisuuksien, kuten värin jne., perusteella, eivätkä ole voineet tarjota menetelmää hedelmien valmistamiseksi maun perusteella.

Tutkimuksessa on yritetty rakentaa malleja, jotka perustuvat koneoppimiseen ja useista kuluttajatestauksista ja -arvioinnista saatuihin tietosarjoihin tämän ongelman ratkaisemiseksi.

Näitä malleja voidaan käyttää arvioimaan kuluttajien arvioita. Mallien odotetaan tarjoavan varhaisia ​​makuyhdistelmiä jalostustarkoituksiin, mikä johtaa herkullisempiin hedelmiin.

Emme pidä niiden hedelmien ja vihannesten mausta, joita valmistamme ja syömme päivittäin. Tämä voi johtua siitä, että maataloustuottajat asettavat etusijalle muita asioita kuin makua kasvattaessaan uusia maataloustuotelajikkeita; Koska heiltä puuttuu oikeat työkalut näytteenottoon.

Äskettäisessä raportissa julkaistussa tutkimuksessa tutkijat Floridan yliopisto tuli yllättäviin tuloksiin.

He havaitsivat, että maataloustuottajat ovat vuosien ajan huomioineet vain makean tai hapan tekijän makunsa parantamiseksi, jättäen huomiotta muut tekijät, jotka parantavat hedelmien ja vihannesten makua.

Vaikka Patrico Monoz, maatalouden asiantuntija ja yksi äskettäisen artikkelin kirjoittajista, uskoo, että hedelmän maku riippuu vain 40 % sen sisältämästä sokerista ja haposta; Loput 60 % riippuu erilaisista tuotteissa olevista kemikaaleista, jotka hajuaistimme tunnistaa.

Tässä tutkimuksessa tutkijat pystyivät tarjoamaan tavan havaita ja luoda makua paremmin tuotteen kemiallisen koostumuksen perusteella. Kaikki nämä havainnot voivat muuttaa maatalouden tulevaisuutta.

Hedelmien kemikaalien ja niiden maun välinen suhde

Tutkimuksessaan tutkijat tutkivat erilaisia ​​maataloustuotteita. Tämän tutkimuksen perusteella he valitsivat keräämäänsä tietokokonaisuuteen kaksi yleistä datatyyppiä.

Ensimmäinen tietotyyppi koski tuotteiden kemiallisia Ominaisuuksia. Toinen tieto oli eri ihmisten antamat arvosanat tuotteille niiden makeuden ja herkullisuuden perusteella.

Näiden tietojen avulla he pystyivät määrittämään tuotteen maun ja kemiallisen koostumuksen välisen suhteen kullekin tuotetyypille, esimerkiksi erityyppisille tomaateille, ja käyttämään sitten malleja. koneoppiminen.

Ja luo tuloksena oleva tietojoukko syöttötietona näyttääksesi maun ja kemiallisen koostumuksen välisen suhteen. Hedelmissä, kuten vadelmissa, kemiallinen yhdiste muokkaa niiden makua.

Toisille, kuten tomaateille, asiat eivät kuitenkaan olleet niin yksinkertaisia ​​ja maku johtui useiden kemiallisten yhdisteiden vuorovaikutuksesta keskenään.

Kuinka parantaa hedelmien makua koneoppimisen avulla?

Kasvattajat eivät voi muuttaa tuotteen makua muuttamalla suoraan sen kemiallista koostumusta, ja he voivat vaikuttaa vain geeneihin; Teknologisesta kehityksestä huolimatta tämä on tietysti edelleen haastava ongelma.

Toisen artikkelin kirjoittajan mukaan, toisin kuin ennen, kasvattajat käyttävät nykyään teknologiaa ja robotteja, jotka auttavat heitä tunnistamaan, mitkä lajin oksat ovat massatuotettuja ominaisuuksien, kuten tuotettujen hedelmien värin tai määrän, perusteella.

Ominaisuuksien, kuten maun, mittaaminen ei kuitenkaan ole niin helppoa; Koska sen laadun määrittämiseksi kasvattajan täytyy maistaa sitä, mikä voi olla maistelua, joka ei tuota lainaustuloksia tai tietojen varmentamista ja tiedonkeruuta useammilla ihmisillä, mikä tässä tapauksessa on myös kallista ja aikaa vievää.

“Voimme tehdä tämän nyt erittäin helposti koneoppiminen ja uusi tutkimus”, hän lisäsi.

Se, mikä saa hedelmät maistumaan ja ymmärtämään, on niiden kemiallinen koostumus. Makuhermomme havaitsevat normaalisti sokerin ja hapon, kun taas hajureseptorimme havaitsevat haihtuvat aineet. Tutkijat uskoivat, että kvantifioimalla tuotteen kemialliset ominaisuudet ja sen käyttö koneoppiminen, Voidaan luoda malleja, jotka voisivat ennustaa kuluttajien mieltymyksiä.

Näitä malleja käyttämällä makufenotyypin kapasiteetti (ulkonäkölaatu) kasvaa ja viljelijä voi valita satoja genotyyppejä (geneettinen rakenne) saavuttaakseen hedelmän paremman maun joka kausi.

Ruoan makututkimuksissa tutkijat käyttivät kahta perusmallia tekoäly Ja koneoppiminen: moninkertainen lineaarinen regressio ja PLS-regressio. Näitä kahta mallia käytetään usein tilastollisessa mallintamisessa.

Metabolisten ennustemallien kehittäminen ei kuitenkaan ole helppo tehtävä; Koska hedelmä sisältää niin monia kemiallisia yhdisteitä. Tietenkin geneetikot työskentelevät nykyään samanlaisten tietojen kanssa ja voivat valita dataa genomitiedolla.

“Tässä tutkimuksessa käytettiin useita tilastollisia ja koneoppiminen “Arvioitiin malleja, jotka mahdollistavat kuluttajan suosiman maun ennustamisen hedelmien kemiallisten ominaisuuksien perusteella”, tutkijat sanoivat.

Aineenvaihduntatason tiedot ja kuluttajaarviointitiedot yhdistetään. Sitten he päättivät, että aineenvaihdunnan ennustemalleja voitaisiin käyttää jalostusohjelmassa paremman makuisten tuotteiden saamiseksi tarkempaan valintaan.

Lisäksi malleja on käytetty yleisempien haihtuvien aineiden, sokereiden ja happojen roolin ymmärtämiseen.

Tulokset osoittivat, että noin 56 % haihtuvista yhdisteistä on ratkaisevassa roolissa ihmisten pitämään makuun.

Tutkimus osoitti myös sen Tämä on koneoppimista paras tapa ennustaa makua paremmin; “Metabolinen valinta on tarkempaa kuin genomiset valintamallit.”

Tietenkin on lisättävä, että tämän tutkimuksen tarkoituksena ei ole tuottaa tiettyä hedelmää. Erot eri makuissa, kulttuureissa ja maissa ovat tärkein syy. Tämän Yhdysvalloissa tehdyn tutkimuksen tuloksena saatu tietojoukko perustuu tämän maan kansalaisten mieltymyksiin, eivätkä sen perusteella syntyneet uudet hedelmät välttämättä pidä muiden maiden ihmisistä.