Text:Sari Jarvinen
I Finland har doktorgradsstudent Jari Isohanni undersøkt hvordan maskinlæring kan brukes mer effektivt til å identifisere fargeendringer i smart emballasje.
Jari Isohannis doktoravhandling i informatikk ved Universitetet i Vaasa viser hvordan smart emballasje kan bli mer tilgjengelig for emballasjeindustrien i fremtiden. Trykt emballasje med fargeskiftende blekk og maskinbasert identifisering av subtile fargeskift tilbyr kostnadseffektive løsninger for for eksempel helsevesen, næringsmiddel-, logistikk- og elektronikkindustrien.
Tidligere har det ikke blitt forsket på når ulike fargegjenkjenningsmetoder bør brukes. Isohannis forskning fyller dette gapet ved å sammenligne hvordan maskinlæring og fargemetodikk er egnet i ulike situasjoner.
– Min forskning viste at når man identifiserer store fargeforskjeller, er tradisjonelle, enkle beregningsmetoder mer enn nok. Men når det oppsto subtile endringer og varierende forhold, var konvolusjonelle nevrale nettverk¹ basert på kunstig intelligens mest effektive, forklarer Isohanni.
Riktig metode for riktig formål
Funksjonelle trykkfarger endrer farge avhengig av omstendighetene – for eksempel når temperaturen stiger eller fuktigheten øker. Forskningen, som fokuserer på å oppdage små fargeendringer, åpner nye muligheter for industrien sammenlignet med dagens elektroniske indikatorer.
– Fargeendringen i trykksverten er ofte så subtil eller rask at den ikke oppdages effektivt nok med dagens maskinseende metoder. Når fargeendringen kan identifiseres mekanisk, kan endringen allerede ha gått for langt, eller skaden allerede ha skjedd, illustrerer Isohanni.
KI muliggjør fargegjenkjenning
Kunstig intelligens muliggjør automatisk fargegjenkjenning i industrien med nesten samme nøyaktighet som det menneskelige øyet, noe som gir nye verktøy for blant annet kvalitetskontroll. Forbrukere kan også dra nytte av forskningen, for eksempel gjennom løsninger som viser tilstanden til mat eller andre produkter. Blekkindikatoren som brukes i oppgaven kan trykkes direkte på emballasjen sammen med etiketten, og kostnaden er minimal sammenlignet med elektroniske smarte emballasjeløsninger.
– Dyre elektroniske målere kan ikke plasseres på for eksempel salatemballasje, da de ville utgjøre en stor del av produktprisen eller skape resirkuleringsproblemer. Trykte indikatorer løser dette problemet, sier Isohanni.
Forskningen baner vei for et miljøvennlig alternativ som kan effektivisere prosesser og forbedre forbrukerinformasjonen. Resultatene kan brukes i næringsmiddelindustrien til bærekraftsovervåking, i helsevesenet til indikatorer, i logistikk for å sjekke transportforhold og i elektronikkindustrien til å oppdage fuktighets- og temperaturrelaterte skader.
¹Et konvolusjonelt nevralt nettverk er en type feedforward nevralt nettverk som lærer funksjoner via filteroptimalisering. Denne typen dyp læringsnettverk har blitt brukt til å behandle og lage prediksjoner fra mange forskjellige typer data, inkludert tekst, bilder og lyd.
