Статья «Выбор критериев для оценки качества тушки птицы на основе аналитического иерархического процесса» (Сборник статей по итогам международной научно-технической конференции молодых ученых БГТУ им. В.Г.Шухова)

УДК 004.931
Дудина А.С.
Научный руководитель: Лукьянов А.М., ст.преп.
Россия, Белгород, БГТУ им. В.Г. Шухова
ВЫБОР КРИТЕРИЕВ ДЛЯ ОЦЕНКИ КАЧЕСТВА ТУШКИ
ПТИЦЫ НА ОСНОВЕ АНАЛИТИЧЕСКОГО
ИЕРАРХИЧЕСКОГО ПРОЦЕССА
Согласно вектору формирования российского производства в
ближайшие 10–15 лет приоритетами научно-технического развития
следует считать переход к передовым интеллектуальным
производственным
технологиям,
эффективную
переработку
сельскохозяйственной
продукции,
создание
безопасных
и
качественных, в том числе функциональных, продуктов питания [1]. В
связи с тем, что на мясо птицы приходится почти половина от
суммарного потребления мяса и мясопродуктов в России, разработка
экспертной системы контроля качества мясного сырья с
использованием современных интеллектуальных технологий, а именно
ИНС и компьютерного зрения является актуальным и социальнозначимым направлением развития мясной промышленности [2].
В соответствии с этим тезисом разработка системы на основе
ИНС и ее обучении для оценки внешних показателей качества мясного
сырья (на примере тушки цыплят-бройлеров) может быть в
перспективе внедрена в работу агрохолдингов Белгородской области
[3].
Качественное распознавание и классификация образов, в
частности на фотографиях и в видеопотоках, является одной из самых
больших проблем при создании автоматизированных точек контроля
качества продукции на современных мясоперерабатывающих линиях
[4].
Одной из ключевых задач, возникающих при разработке
вышеупомянутых точек является выбор критериев, по которым тушка
птицы будет отнесена к той или иной категории. Для решения данной
задачи можно использовать методы принятия решений, а в частности
метод анализа иерархий Томаса Саати [5].
Помимо мясного сырья с «нормальными» качественными
характеристиками, на производство может поступать сырье с
поломанными крыльями, с ногами различной длины, с
кровоподтеками на тушке и другими отклонениями. На данном этапе
3879
были получены основные показатели тушки, по которые её возможно
классифицировать по категориям сырья для дальнейшей переработки.
Первоначальный сбор данных критериев осуществлялся
совместно с экспертами в области контроля качества тушек птицы на
агропромышленном комплексе – ветеринарными врачами. Чтобы
обеспечить настройку разрабатываемой нейронной сети необходимо
составить категоризацию поступающей на линию сортировки тушки в
соответствии с критериями: процентное содержание кровоподтеков,
синих пятен, бурых пятен, разрывов кожи, оставшихся перьев, наличия
возможных деформаций тушки (поломанное крыло, голень и тд) и
наличие тушек, подвешенных за одну ногу.
Далее пары критериев сравнивались экспертом друг с другом с
точки зрения их относительного вклада в общее понятие
«качественная тушка птицы» (таблица1).
Таблица 1.. Парные сравнения критериев качества тушки птицы
ветеринарным врачом
Кровоподтеки
Хол.
ожоги
Пятна от
желчи
Ост.
оперение
Кол-во
кров.
пятен
Кровоподтеки
Хол.
ожоги
Пятна от
желчи
Ост.
опер.
Кол-во
кров.
пятен
1
2
4
6
8
0.5
1
3
5
7
0.25
0.333333
3333
1
2
3
0.16666666
7
0.2
0.5
1
1
0.125
0.142857
143
0.33333333
33
1
1
Далее на основании полученных данных о среднем процентном
соотношении критериев-недостатков на тушках птицы были
сформированы 3 альтернативы для дальнейшей оценки. На выходе
анализа эксперты рассчитывали получить альтернативу с набором
критериев, на основании которого будет произведено ранжирование
поступающих тушек и выделение тушек высшей категории, которые
впоследствии идут на упаковку как отдельный товар.
3880
Далее согласно алгоритма аналитического иерархического
процесса были произведены парные сравнения альтернатив
относительно соответствующих критериев с расчетом индекса
согласованности и отношением согласованности (таблица 2).
Таблица 2. Парные сравнения альтернатив относительно
соответствующих критериев
Кровоподте
ки
1
2
3
1
2
3
Ср. геом.
1
5
0.1428571
7
7
1
1.118688
3.271066
0.273275
Сумма
6.1428571
15
4.663031
λ
ИС
0.2
1
0.1428571
1.342857
1
СИ
ОС
3.29477949
Хол.
ожоги
1
2
3
Сумма
λ
0.1473897
0.58
0.254
1
2
3
Ср. геом.
1
1
0.3333333
2.3333333
ИС
1
1
0.3333333
2.3333333
СИ
3
3
1
7
ОС
1.44224957
1.44224957
0.48074986
3.365249
0.58
0
3
4.44 * 10-16
Пятна от
1
желчи
1
1
2
1
3
9
Сумма
11
λ
ИС
3
Ост. опер.
1
2
3
Сумма
λ
4.44 * 1016
1
1
0.111111111
0.111111111
1.22222222
ИС
4.3775294
0.6887647
Кол-во кров.
1
2
3
Ср. геом.
1
1
9
11
СИ
0.1111111
0.1111111
1
1.2222222
ОС
0.4807498
0.4807498
4.3267487
5.2882484
0.58
0
2
9
1
1
19
СИ
3
9
1
1
11
ОС
0.58
2
1.1875
Ср. геом.
4.32674871
0.48074986
1
5.80749857
3
3881
Ср. геом.
Ср. геом. /
сум.
0.23990596
0.70148927
0.05860477
Ср. геом. /
сум.
0.42857143
0.42857143
0.14285714
Ср. геом. /
сум.
0.09090909
0.09090909
0.81818182
Ср. геом. / сум.
0.74502794
0.08278088
0.17219117
Ср. геом. /
пятен
1
2
3
Сумма
λ
3.20846856
1
9
5
15
ИС
0.1111111
1
0.1428571
1.2539682
СИ
0.2
7
1
8.2
ОС
0.104234
28
0.58
0.179
7
0.2811442
3.9790572
0.8939035
5.1541049
сум.
0.05454763
0.77201711
0.17343526
На заключительном этапе синтеза определяем веса критериев (z2z6) и альтернатив (z7-z9) (таблица 3).
Таблица 3. Рассчитанные на этапе синтеза веса критериев и
альтернатив
z1
z2
z3
z4
z5
z6
z7
z8
z9
1
0.4587627167373485
0.30814401128210095
0.1214831017381306
0.06153066672291651
0.0500795035195035
0.3271393299500241
0.5044785573763511
0.16848211267362482
Таким образом, в конечном счете альтернатива 2 имеет вес 0,50, 1
– 0,33 и 3 – 0,17, Альтернатива 2 удовлетворяет целям исследования
на 50% и ее можно взять за основу для начала настройки нейронной
сети.
В дальнейшем для обучения созданной нейронной сети
необходимо создать базу образцов-фотографий мясного сырья (тушек
цыплят-бройлеров), провести ее анализ и классификацию. По мере
наполнения базы данных будут протестированы различные модели
нейронных сетей
и
выбраны наиболее
эффективные и
предрасположенные к решению данной задачи. В дальнейшем наряду
с визуальным изображением образцов в систему могут вводиться
новые признаки, положительно влияющие на качество анализа
испытуемых образцов.
Разработка данной нейронной сети позволит существенно
ускорить процесс анализа тушки на мясоперерабатывающих
предприятий, её дальнейшей классификации по лоткам на линии
сортировки и отправки сортированной тушки на различные участки
мясопереработки.
3882
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1.Указ Президента РФ от 01.12.2016 № 642 «О Стратегии научнотехнологического развития Российской Федерации».
2. Еделев Д.А., Благовещенская М.М. Благовещенский И.Г.
Использование нейронных сетей как фактора повышения качества и
безопасности производства пищевых продуктов при решении задач
автоматизации // Автоматизация технологических и бизнес-процессов.
2015. №7. С.7-10.
3. Еделев, Д.А. Вопросы обеспечения населения Российской
Федерации безопасными и качественными продуктами питания //
Пищевая промышленность. 2013. № 4. С. 8-12.
4. Пляшечник П.И., Глебочев С.Н., Шихов С.С. Сырье под
контролем // Мясная индустрия. 2015. № 1. С. 37–39.
5. Саати, Т. Принятие решений, Метод анализа иерархий /
Перевод с английского Р. Е. Вачнадзе. М: Изд-во «Радио и связь»,
1993. 178с.
3883