Deep learning and image analysis in food sorting application

This master's thesis explores the synergistic fusion of hyperspectral imaging and deep learning techniques for advancing the capabilities of food sorting systems. With the growing demand for efficient and accurate food quality assessment, the integration of these two innovative technologies offers a promising solution. Hyperspectral imaging provides detailed spectral information across a wide range of wavelengths, enabling a comprehensive analysis of chemical and physical food properties. Concurrently, deep learning algorithms, specifically convolutional neural networks (CNNs), excel in extracting intricate patterns and features from complex datasets. The thesis begins by explaining the fundamental parts composing the acquisition system and how early design flaws affect the acquired dataset. Subsequently, the research delves into the development strategy for each CNN in order to implement the main computer vision task: Object detection, Instance Segmentation, and Semantic Segmentation. Each method applied involves the creation of a dataset representative of various eggplant categories, the fine-tuning of CNN architecture for the specific task, and the creation of the industrial implementation using the relative neural network. Training and experimental validation have been conducted using real-world datasets, highlighting the system's efficacy in accurately classifying and localizing diverse eggplants based on shape, color, or other relevant attributes. In conclusion, the thesis addresses the challenges and potential limitations of each implementation process, proposing alternatives and improvements.

Questa tesi di laurea magistrale esplora la fusione di immagini iperspettrali e tecniche di deep learning per indagare e migliorare i sistemi di food sorting automatici. Con la domanda crescente di efficienza ed accuratezza nel settore di controllo qualità degli alimenti, l'integrazione di queste due tecnologie all'avanguardia offre una soluzione promettente in questo impiego. Nello specifico, l'imaging iperspettrale fornisce informazioni spettrali dettagliate su un'ampia gamma di lunghezze d'onda, consentendo un'analisi completa delle proprietà chimico-fisiche dei prodotti alimentari. Mentre, gli algoritmi di deep learning, in particolare le reti neurali convoluzionali (CNN), eccellono nell'estrazione di proprietà e caratteristiche complesse dai set di dati che vengono forniti. La tesi inizia spiegando le parti fondamentali che compongono il sistema di acquisizione e come i primi difetti di progettazione si ripercuotono sul dataset acquisito. Successivamente, la ricerca approfondisce la strategia di sviluppo di ciascuna CNN per l'implementazione dei diversi approcci di computer vision: Object Detection, Instance Segmentation e Semantic Segmentation. Ogni implementazione prevede la creazione di un dataset rappresentante varie categorie di melanzane, la messa a punto della architettura specifica per il compito assegnato e lo studio su come integrare la rete neurale nell’impianto industriale. L’allenamento e la validazione sperimentale di ogni rete sono stati condotti utilizzando set di dati reali, mostrando l'efficacia del sistema nel classificare accuratamente diverse melanzane in base alla forma, al colore o ad altri attributi rilevanti. In conclusione, la tesi mostra le potenzialità e le possibili limitazioni associate a ciascun processo di implementazione, proponendo alternative e miglioramenti futuri.