Food Processing: Techniques and Technology Food Processing: Techniques and Technology Техника и технология пищевых производств 2074-9414 2313-1748 110958 10.21603/2074-9414-2025-4-2613 KLILNT ОРИГИНАЛЬНАЯ СТАТЬЯ ORIGINAL ARTICLE ОРИГИНАЛЬНАЯ СТАТЬЯ Convolutional Neural Networks in Granulated Kissel Production Применение сверточных нейронных сетей для контроля показателей технологического потока производства гранулированных киселей https://orcid.org/0000-0003-4512-1933 Шафрай Антон Валерьевич Shafrai Anton V. shafraia@mail.ru https://orcid.org/0000-0003-0728-7211 Попов Анатолий Михайлович Popov Anatoliy M.

доктор технических наук;

doctor of technical sciences;

 https://orcid.org/0009-0005-5852-9809 Косинов Виталий Сергеевич Kosinov Vitaly S. https://orcid.org/0000-0002-7486-4704 Резниченко Ирина Юрьевна Reznichenko Irina Yu. https://orcid.org/0009-0000-0820-5965 Бондарчук Ольга Николаевна Bondarchuk Olga N. Кемеровский государственный университет Кемерово Россия Kemerovo State University Kemerovo Russian Federation Кемеровский государственный университет Кемерово Россия Kemerovo State University Kemerovo Russian Federation Кемеровский государственный университет Кемерово Россия Kemerovo State University Kemerovo Russian Federation Кузбасский государственный аграрный университет имени В. Н. Полецкова Кемерово Россия Kuzbass State Agricultural University Kemerovo Russian Federation Кузбасский государственный аграрный университет имени В. Н. Полецкова Кемерово Россия Kuzbass State Agricultural University Kemerovo Russian Federation 25 12 2025 25 12 2025 55 4 845 855 20 08 2025 04 11 2025 https://fptt.ru/en/issues/24078/24108/

Применение искусственного интеллекта в пищевой промышленности становится актуальным. Существуют разные способы цифровизации контроля показателей технологического потока производства продукции. Например, использование нейронных сетей для определения размеров гранул сухого киселя. Цель исследования – применить сверточные нейронные сети для контроля показателей технологического потока производства гранулированных киселей посредством локализации гранул киселя на изображении. Одним из важнейших параметров готовых гранул сухого киселя является их размер, который должен находится в пределах от 2 до 5 мм. Для разработки модели, определяющей крупные гранулы (более 5 мм), требуется собрать набор данных из изображений гранул разного размера. Выбраны модели локализации объектов из фреймворка Detectron2, которые оптимально справятся с задачей. Описаны принципы работы моделей и качественные показатели для оценки результатов обучения моделей. Для выявления крупных гранул собран и размечен набор данных из изображений гранул разного размера. Наилучших показателей достигала модель R50-FPN. Наибольшее значение принимала метрика AP50, затем шли AP75 и AP. Модели отлично обучились находить объекты на изображении, достаточно хорошо определяли координаты ограничивающей рамки. В собранном наборе данных отсутствовали размеченные объекты для малых (APs) и средних (APm) размеров, т. к. в исследовании сделан акцент на локализации именно больших гранул. Значения метрики APl для всех моделей находились на высоком уровне. Таким образом, выбранный подход к обучению и архитектуре нейронной сети оказался оптимальным для данной задачи. На основе обученной модели разработана программа ЭВМ, которая использует сверточные нейронные сети для детекции больших гранул на снимке с продукцией. В дальнейшем она может быть использована на непрерывных производствах для контроля размера готового продукта и его соответствия технологическим параметрам.

Artificial intelligence can be used to monitor production parameters in the food industry. Kissel is a jelly-like fruit or berry starch drink. Instant kissel usually consists of granules. Neural networks may help to control the size of kissel granules. In this research, convolutional neural networks monitored the production parameters of granulated kissel powder by localizing granules in an image. Size is the most important parameter of kissel granules: it should remain between 2 and 5 mm. To detects larger granules (≥ 5 mm), the network was provided with a visual dataset of granules of varying sizes. The localization models were developed using Detectron2. The research yielded a set of optimal operating principles and quality metrics. The R50-FPN model achieved the best results. The AP50 metric had the highest value, followed by AP75 and AP. The models performed well in visual detection and successfully determined the coordinates of the bounding rectangle. The resulting dataset did not label objects for small (APs) and medium (APm) sizes because the study focused on localizing large granules. The APl metric values for all models were high. The approach to AI training and neural network architecture proved optimal for food production control. The trained model made it possible to develop a computer program based on convolutional neural networks that demonstrated good results in detecting large granules in instant kissel powder. The new program can be used in continuous production to monitor the size of finished products and their compliance with process parameters.

 Искусственный интеллект нейронные сети локализация гранулированные продукты гранулированные кисели Artificial intelligence neural networks localization granulated products granulated kissel Исследование выполнено за счет гранта Российского научного фонда № 25-26-00136, https://rscf.ru/project/25-26-00136/ The study was supported by the Russian Science Foundation, grant No. 25-26-00136, https://rscf.ru/en/project/25-26-00136/

Shafrai AV, Permyakova LV, Borodulin DM, Sergeeva IY. Modeling the physiological parameters of brewer’s yeast during storage with natural zeolite-containing tuffs using artificial neural networks. Information. 2022;13(11):529. https://doi.org/10.3390/info13110529 Shafrai AV, Permyakova LV, Borodulin DM, Sergeeva IY. Modeling the physiological parameters of brewer’s yeast during storage with natural zeolite-containing tuffs using artificial neural networks. Information. 2022;13(11):529. https://doi.org/10.3390/info13110529 Королев И. А. Автоматизированное определение дисперсности воздушной фазы в мороженом с применением методов машинного обучения. Техника и технология пищевых производств. 2023. Т. 53. № 3. С. 455–464. https://doi.org /10.21603/2074-9414-2023-3-2448 Korolev IA. Automated measurement of air bubbles dispersion in ice cream using machine learning methods. Food Processing: Techniques and Technology. 2023;53(3):455–464. (In Russ.) https://doi.org /10.21603/2074-9414-2023-3-2448 Jo DM, Han S-J, Ko S-C, Kim KW, Yang D, et al. Application of artificial intelligence in the advancement of sensory evaluation of food products. Trends in Food Science & Technology. 2025;165:105283. https://doi.org/10.1016/j.tifs.2025.105283 Jo DM, Han S-J, Ko S-C, Kim KW, Yang D, et al. Application of artificial intelligence in the advancement of sensory evaluation of food products. Trends in Food Science & Technology. 2025;165:105283. https://doi.org/10.1016/j.tifs.2025.105283 Михеев П. Н. Технологии искусственного интеллекта в пищевой промышленности. Инновации и инвестиции. 2023. № 4. С. 536–539. [Mikheev PN. Artificial intelligence technologies in the food industry. Innovation & Investment. 2023;(4):536–539. (In Russ.)] https://elibrary.ru/DYOHTS Mikheev PN. Artificial intelligence technologies in the food industry. Innovation & Investment. 2023;(4):536–539. (In Russ.) https://elibrary.ru/DYOHTS Лындина М. И. Пути совершенствования пищеконцентрантной отрасли. Инновационные технологии производства и хранения материальных ценностей для государственных нужд. 2020. № 13. С. 157–163. https://elibrary.ru/DHQPUP Lyndina MI. Ways to improve the food industry. Material assets for government needs: Innovative production and storage. 2020;(13):157–163. (In Russ.) https://elibrary.ru/DHQPUP Попов А. М. Анализ и синтез технологий гранулированных концентратов напитков. Кемерово: КемТИПП; 2003. С. 133–148. [Popov AM. Granulated beverage concentrates: Technological analysis and synthesis. Kemerovo: KemTIPP; 2003. pp. 133–148. (In Russ.)] Popov AM. Granulated beverage concentrates: Technological analysis and synthesis. Kemerovo: KemTIPP; 2003. pp. 133–148. (In Russ.) Ксенофонтов В. В. Нейронные сети. Проблемы науки. 2020. № 11. С. 28–29. https://elibr ary.ru/DTVJNS Ksenofontov VV. Neural networks. Problems of science. 2020;(11):28–29. (In Russ.) https://elibr ary.ru/DTVJNS Hassan E, El-Rashidy N, Talaat FM. Mask R-CNN models. Nile Journal of Communication and Computer Science. 2022;3(1):17–27. https://doi.org/10.21608/njccs.2022.280047 Hassan E, El-Rashidy N, Talaat FM. Mask R-CNN models. Nile Journal of Communication and Computer Science. 2022;3(1):17–27. https://doi.org/10.21608/njccs.2022.280047 Olorunshola OE, Jemitola PO, Ademuwagun A. Comparative study of some deep learning object detection algorithms: R-CNN, fast R-CNN, faster R-CNN, SSD, and YOLO. Nile Journal of Engineering and Applied Science. 2023;1(1):70–80. https://doi.org/10.5455/NJEAS.150264 Olorunshola OE, Jemitola PO, Ademuwagun A. Comparative study of some deep learning object detection algorithms: R-CNN, fast R-CNN, faster R-CNN, SSD, and YOLO. Nile Journal of Engineering and Applied Science. 2023;1(1):70–80. https://doi.org/10.5455/NJEAS.150264 Prakash SR, Singh PN. Object detection through region proposal based techniques. Materials Today: Proceedings. 2021;46(9):3997–4002. https://doi.org/10.1016/j.matpr.2021.02.533 Prakash SR, Singh PN. Object detection through region proposal based techniques. Materials Today: Proceedings. 2021;46(9):3997–4002. https://doi.org/10.1016/j.matpr.2021.02.533 Zhu L, Lee F, Cai J, Yu H, Chen Q. An improved feature pyramid network for object detection. Neurocomputing. 2022;483:127–139. https://doi.org/10.1016/j.neucom.2022.02.016 Zhu L, Lee F, Cai J, Yu H, Chen Q. An improved feature pyramid network for object detection. Neurocomputing. 2022;483:127–139. https://doi.org/10.1016/j.neucom.2022.02.016 Xavier AI, Villavicencio C, Macrohon JJ, Jeng J-H, Hsieh J-G. Object detection via gradient-based mask R-CNN using machine learning algorithms. Machines. 2022;10(5):340. https://doi.org/10.3390/machines10050340 Xavier AI, Villavicencio C, Macrohon JJ, Jeng J-H, Hsieh J-G. Object detection via gradient-based mask R-CNN using machine learning algorithms. Machines. 2022;10(5):340. https://doi.org/10.3390/machines10050340 Jabir B, Falih N, Rahmani K. Accuracy and efficiency comparison of object detection open-source models. International Journal of Online and Biomedical Engineering. 2021;17(5):165–184. https://doi.org/10.3991/ijoe.v17i05.21833 Jabir B, Falih N, Rahmani K. Accuracy and efficiency comparison of object detection open-source models. International Journal of Online and Biomedical Engineering. 2021;17(5):165–184. https://doi.org/10.3991/ijoe.v17i05.21833 Peng H, Yu S. A systematic IOU-related method: Beyond simplified regression for better localization. IEEE Transactions on Image Processing. 2021;30:5032–5044. https://doi.org/10.1109/TIP.2021.3077144 Peng H, Yu S. A systematic IOU-related method: Beyond simplified regression for better localization. IEEE Transactions on Image Processing. 2021;30:5032–5044. https://doi.org/10.1109/TIP.2021.3077144