Controllo di qualità non distruttivo senza contatto nella filiera agroalimentare

The consumption of fruits and vegetables represent a crucial element in human diet, providing a rich source of vitamins, minerals, fiber, and bioactive phytochemicals that contribute to overall health. Given their nutritional properties, it is of paramount importance to properly assess the freshness and the overall quality of products throughout the entire agroalimentary supply chain. Visual appearance is influenced by factors such as discoloration, browning, dryness, and texture loss. These changes directly influence consumer perception, and determine their likelihood to purchase. Quality evaluation includes not only the simple visual analysis, but also the analysis of nutritional and organoleptic parameters. This evaluation helps to reduce waste, improve preservation techniques, and maximize market value. However, current manual inspections are costly and can lead to delays in supply due to their reliance on human resources. Moreover, expert assessments are often subjective, introducing inconsistencies in the evaluation process. In recent years, artificial intelligence (AI) has emerged as an innovative solution to address these challenges. Machine learning and deep learning algorithms automate and standardize the quality evaluation process. This thesis proposes various methods to evaluate the overall freshness of the agricultural products, with a particular focus on estimate some internal quality parameters. Initially, we addressed issues related to non-uniform distributions of target values. We proposed a solution to consider boundary values during the training phase that are often excluded by the sampling strategies commonly adopted in ensemble methods. Additionally, we developed a strategy to interpret the model's predictions, focusing on the colors that most influenced the outcomes. We also implemented a solution using color distributions to mitigate the sensitivity of machine learning models to variations in light and color, even in presence of complex backgrounds. Finally, we investigated the application of contrastive learning techniques within the agroalimentary domain. Our objective is to improve the feature representations, enabling better performance on downstream tasks. Experiments conducted on different datasets demonstrated the effectiveness of these methods, surpassing many current state-of-the-art approaches.

Il consumo di frutta e verdura rappresenta un elemento cruciale nell'alimentazione umana, fornendo una ricca fonte di vitamine, minerali, fibre e sostanze fitochimiche bioattive che contribuiscono alla salute complessiva. Date le loro proprietà nutrizionali, è di fondamentale importanza valutare correttamente la freschezza e la qualità complessiva dei prodotti lungo l'intera filiera agroalimentare. L'aspetto visivo è influenzato da fattori come lo scolorimento, l'imbrunimento, la secchezza e la perdita di consistenza. Questi cambiamenti influenzano direttamente la percezione del consumatore e determinano la sua propensione all'acquisto. La valutazione della qualità include non solo la semplice analisi visiva, ma anche l'analisi dei parametri nutrizionali ed organolettici. Questa valutazione aiuta a ridurre gli sprechi, migliorare le tecniche di conservazione e massimizzare il valore di mercato. Tuttavia, le attuali ispezioni manuali sono costose e possono portare a ritardi nell'approvvigionamento a causa della loro dipendenza dalle risorse umane. Inoltre, le valutazioni degli esperti sono spesso soggettive, introducendo incongruenze nel processo di valutazione. Negli ultimi anni, l'intelligenza artificiale (AI) sta diventando una soluzione innovativa per affrontare queste sfide. Gli algoritmi di machine learning e deep learning automatizzano e standardizzano il processo di valutazione della qualità. Questa tesi propone vari metodi per valutare la freschezza complessiva dei prodotti agroalimentari, con particolare attenzione alla stima di alcuni parametri interni. Inizialmente, abbiamo affrontato problemi legati a distribuzioni non uniformi dei valori target. Abbiamo proposto una soluzione per considerare alcuni valori di confine della distribuzione durante la fase di addestramento che sono spesso esclusi dalle strategie di campionamento comunemente adottate nei metodi ensemble. Inoltre, abbiamo sviluppato una strategia per interpretare le previsioni del modello, concentrandoci sui colori che hanno maggiormente influenzato i risultati. Abbiamo anche implementato una soluzione che utilizza le distribuzioni dei colori per mitigare la sensibilità dei modelli di machine learning alle variazioni di luce e colore, anche in presenza di sfondi complessi. Infine, abbiamo studiato l'applicazione di tecniche di contrastive learning nel dominio agroalimentare. Il nostro obiettivo è quello di migliorare le rappresentazioni delle caratteristiche, consentendo prestazioni migliori nei tasks successivi. Gli esperimenti condotti su diversi dataset hanno dimostrato l'efficacia di questi metodi, superando molti degli approcci attualmente allo stato dell'arte.