Ученые ИТМО разработали новый метод, который определяет тип игристого вина с точностью 84%, а тип бокала — с точностью 82%. Исследователи первыми в мире применили методы машинного обучения для оценки природы вина по форме и размеру пузырьков, полученных при ультразвуковой обработке. Открытие будет полезно для автоматизированного, быстрого и недорогого контроля качества напитков на винодельческих предприятиях и в лабораториях.
Результаты исследования опубликованы в журнале RSC Advances и поддержаны грантом Министерства науки и высшего образования РФ (No. FSER-2024-0003).
На винодельческом производстве специалисты используют несколько традиционных методов для контроля качества игристых вин. Например, с помощью физико-химического анализа технологи определяют кислотность, содержание алкоголя, сахара и других параметров в напитке, а сомелье оценивают продукт на дегустации. Хотя эти методы дают важную информацию, на них не всегда можно положиться: физико-химический анализ требует дорогого оборудования, подготовленных образцов и специальных лабораторных условий, а итог дегустации зависит от субъективного мнения сомелье.
Более точно оценить качество разных жидкостей позволяет ультразвуковая кавитация. Под действием ультразвука в напитке образуются кавитационные пузырьки, которые расширяются и сжимаются. В отличие от естественных пузырьков, которые влияют на визуальные и вкусовые качества напитка, искусственно вызванные пузырьки определяют характеристики всего продукта. Их свойства зависят от состава жидкости — например, концентрации алкоголя, вязкости и поверхностного натяжения. Поведение кавитационных пузырьков записывают на камеру и анализируют с помощью компьютерного зрения и машинного обучения. Таким способом ученым ИТМО уже удалось классифицировать водно-этаноловые растворы с разными концентрациями этанола и проанализировать нефтепродукты, такие как бензин с разными октановыми числами.
Однако ранее сочетание ультразвуковой кавитации, компьютерного зрения и машинного обучения не использовали для классификации типов игристых вин и бокалов. Ученые научно-образовательного центра инфохимии ИТМО и Университета Висконсин-Милуоки расширили область применения этих методов на игристые вина. Они первыми в мире предложили новый подход для классификации и оценки качества этого напитка, анализируя динамику пузырьков с помощью ультразвуковой кавитации и методов машинного обучения.
«Раньше ИИ не применялся для оценки игристых вин по трем причинам. Схожая концентрация алкоголя в винах снижает чувствительность химического анализа, наличие естественных пузырьков вызывает путаницу, какие пузырьки анализируются — естественные или искусственно вызванные, а также геометрия и материал бокала влияет на поведение пузырьков — появляется дополнительная запутывающая переменная. Нам удалось обойти эти ограничения. Ультразвуковая кавитация создает контролируемые пузырьки независимо от естественной газации, стандартизированная съемка и анализ пузырьков позволяет нивелировать влияние бокала, а применение машинного обучения выделяет тонкие различия в форме и распределении пузырьков, которые не видны при обычном осмотре», — рассказал один из авторов исследования, студент третьего курса научно-образовательного центра инфохимии ИТМО Илья Королев.
Ученые остановились на розовом и белом игристых винах, так как составы и технологии производства этих распространенных напитков отличаются. Для контрольного эксперимента вина разлили по стеклянным и пластиковым бокалам, образование естественных пузырьков зафиксировали на камеру, а затем подвергли образцы ультразвуку. Изменения в поведении кавитационных пузырьков также записали на видео. С помощью компьютерного зрения и машинного обучения ученые обработали 19 953 изображения и классифицировали их, используя ИИ.
«Мы доказали, что пузырьки в разных типах вин и контейнеров имеют визуально различимые характеристики, которые сложно заметить человеческим глазом, но можно выявить с помощью наших алгоритмов. Мы сегментировали видео с помощью нейросети YOLOv8, перевели визуальные характеристики пузырьков в числовой формат через модель CLIP и ее улучшенную версию SigLIP, а также использовали классификатор TabNet для финальной категоризации. Мы заметили, что точность классификации значительно повышается при выделении контуров пузырьков с помощью сегментации, что существенно улучшает качество извлекаемых признаков», — отметил первый автор исследования, ассистент научно-образовательного центра инфохимии ИТМО Тимур Алиев.
Новая система определяет тип вина (розовое или белое) с точностью 84%, а тип бокала (стекло или пластик) — с точностью 82%. Открытие ученых дает возможность разработать автоматизированные, быстрые и недорогие методы для оценки качества и подлинности игристых вин. Они будут полезны технологам на винодельческих предприятиях, исследователям в лабораториях и потребителям для самостоятельной оценки купленных вин.
В дальнейшем ученые планируют повысить точность своей модели — расширить датасет, протестировать другие нейронные сети и ансамблевые методы, анализировать временную динамику пузырьков вместо статичных изображений и объединить свой подход с физико-химическими параметрами для более полного анализа вин.
Также исследователи продолжат исследовать продукты не только пищевой, но и химической промышленности и фармацевтики. Например, анализ пузырьков пригодится для контроля качества растворов, разработки лекарственных форм, где кавитация используется для получения наночастиц или эмульсий, и реакторов с многофазной средой, чьи газожидкостные процессы зависят от динамики пузырьков.
Фото на обложке: freepik
