ПНСТ 870-2023. Предварительный национальный стандарт Российской Федерации. Искусственный интеллект в переработке сельскохозяйственной продукции и производстве пищевой продукции. Варианты использования для автоматизации управления процессами

(утв. и введен в действие Приказом Росстандарта от 13.11.2023 № 55-пнст)

Утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 13 ноября 2023 г. № 55-пнст

Предисловие

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: info@tc164.ru и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

Введение

1 Область применения

1.1 Настоящий стандарт распространяется на системы искусственного интеллекта для управления процессами в переработке сельскохозяйственной продукции и производстве пищевой продукции (СИИУПП) и устанавливает требования к ним (см. [1]).

1.2 Требования настоящего стандарта направлены на повышение эффективности автоматического управления, обеспечение безопасности и сохранения окружающей среды в переработке сельскохозяйственной продукции и производстве пищевой продукции.

Примечание - Целью настоящего стандарта является определение вариантов использования искусственного интеллекта в СИИУПП и общих технических требований, которые должны быть удовлетворены в процессе разработки и в процессе эксплуатации СИИУПП.

• принятие решений по управлению технологическими процессами в переработке сельскохозяйственной продукции, в том числе в производстве пищевой продукции;
• контроль и управление качеством продукции на всех этапах технологического процесса производства, включая сортировку и упаковку готового продукта (см. [2]);
• контроль характеристик условий труда (микроклимата, уровень шума и вибрации и др.), вредных воздействий производственных помещений и технологических участков;
• управление логистическими операциями перемещения и хранением сырья и продукции;
• управление экономикой предприятия по переработке сельскохозяйственной продукции и производству пищевой продукции.

2 Нормативные ссылки

В настоящем стандарте использованы нормативные ссылки на следующие стандарты:

ГОСТ 33707 (ISO/IEC 2382:2015) Информационные технологии. Словарь

ГОСТ ISO 12100 Безопасность машин. Основные принципы конструирования

ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем искусственного интеллекта

ГОСТ Р 59385 Информационные технологии. Искусственный интеллект. Ситуационная видеоаналитика. Термины и определения

ГОСТ Р 59853 Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения

ГОСТ Р 70462.1 (ISO/IEC TR 24029-1:2022) Информационные технологии. Интеллект искусственный. Оценка робастности нейронных сетей. Часть 1. Обзор

ГОСТ Р ИСО 3534-1 Статистические методы. Словарь и условные обозначения. Часть 1. Общие статистические термины и термины, используемые в теории вероятностей

ГОСТ Р ИСО 4254-1 Машины сельскохозяйственные. Требования безопасности. Часть 1. Общие требования

3 Термины и определения

В настоящем стандарте применены следующие термины с соответствующими определениями:

3.1 автоматизированная система управления процессами; АСУП: Система, состоящая из комплекса аппаратных и программных средств, в совокупности способных выполнять всю задачу управления процессами в длительном режиме вне зависимости от того, ограничена ли она конкретными условиями эксплуатации.

3.2

алгоритм (algorithm): Конечное упорядоченное множество точно определенных правил для решения конкретной задачи. [ГОСТ 33707-2016, статья 4.39]

3.3 аутентификация сельскохозяйственной и пищевой продукции: Процедура проверки подлинности сельскохозяйственной продукции по видовой и сортовой (генетической) принадлежности с использованием системы искусственного интеллекта.

3.4 базовый набор управляющих воздействий на процессы: Совокупность управляющих воздействий на физические исполнительные механизмы, которые управляют техническими средствами и технологическими процессами.

3.5 безопасность автоматизированного управления: Состояние, характеризуемое совокупностью параметров конструкции, включая функциональные характеристики СИИУПП, и технологий, обеспечивающих недопустимость или минимизацию риска причинения вреда жизни или здоровью граждан, имуществу физических и юридических лиц, государственному или муниципальному имуществу, окружающей среде.

3.6

безопасность пищевой продукции: Состояние пищевой продукции, свидетельствующее об отсутствии недопустимого риска, связанного с вредным воздействием на человека и будущие поколения; Примечание — Пищевая продукция, находящаяся в обращении на таможенной территории Таможенного союза в течение установленного срока годности, при использовании по назначению должна быть безопасной. В пищевой продукции, находящейся в обращении, не допускается наличие возбудителей инфекционных, паразитарных заболеваний, их токсинов, представляющих опасность для здоровья человека, животных и окружающей среды. [[2], статья 4]

3.7 входные данные о состоянии управляемых объектов: Текущие данные об объектах, которыми управляет система искусственного интеллекта, источниками которых являются бортовые камеры, радары, лидары, датчики физических величин, данные из интеллектуальных технико-технологических средств и других источников.

3.8 высокий уровень автоматизации управления процессами: Уровень автоматизации управления, при котором управление может передаваться от системы автоматизированного управления человеку-оператору, а в случае его неготовности принять управление на себя.

3.9

глобальная навигационная спутниковая система; ГНСС: Навигационная спутниковая система, предназначенная для определения пространственных координат, составляющих вектора скорости движения, поправки показаний часов и скорости изменения поправки показаний часов потребителя ГНСС в любой точке на поверхности Земли, акватории Мирового океана, воздушного и околоземного космического пространства. [ГОСТ Р 52928-2010, статья 1]

3.10

датчик: Конструктивно обособленное устройство, содержащее один или несколько первичных измерительных преобразователей. Примечания 1 Датчик может дополнительно содержать промежуточные измерительные преобразователи, а также меру. 2 Датчик может быть вынесен на значительное расстояние от устройства, принимающего его сигналы. 3 При нормированном соотношении значения величины на выходе датчика с соответствующим значением входной величины датчик является средством измерений. [ГОСТ Р 8.673-2009, статья 3.3]

Примечание - Средство измерений, предназначенное для выработки сигнала измерительной информации в форме, удобной для передачи, дальнейшего преобразования, обработки и (или) хранения, но не поддающейся непосредственному восприятию наблюдателем.

3.11

идентификация пищевой продукции: Процедура отнесения пищевой продукции к объектам технического регулирования технического регламента.

[[2], статья 4]

Примечание — Идентификация пищевой продукции проводится по ее наименованию и (или) ее признакам, изложенным в определении такой продукции в техническом регламенте [2] или в технических регламентах Таможенного союза на отдельные виды пищевой продукции, и (или) визуальным и (или) органолептическим, и (или) аналитическими методами.

Идентификация пищевой продукции проводится следующими методами:

а) по наименованию — путем сравнения наименования и назначения пищевой продукции, указанных в маркировке на потребительской упаковке и (или) в товаросопроводительной документации, с наименованием, указанным в определении вида пищевой продукции;

б) визуальным методом — путем сравнения внешнего вида пищевой продукции с признаками, изложенными в определении такой пищевой продукции;

в) органолептическим методом — путем сравнения органолептических показателей пищевой продукции с признаками, изложенными в определении такой пищевой продукции;

г) аналитическим методом — путем проверки соответствия физико-химических и (или) микробиологических показателей пищевой продукции признакам, изложенным в определении такой пищевой продукции.

3.12

искусственный интеллект: Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Примечание — Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений. [ГОСТ Р 59277-2020, пункт 3.18]

3.13

контаминация (загрязнение) пищевой продукции: Попадание в пищевую продукцию предметов, частиц, веществ и организмов (контаминантов, загрязнителей) и присутствие их в количествах, несвойственных данной пищевой продукции или превышающих установленные уровни, вследствие чего она приобретает опасные для человека свойства. [[2], статья 4]

3.14

машинное обучение (machine learning): Процесс автоматического обучения и совершенствования поведения системы искусственного интеллекта на основе обработки массива обучающих данных без явного программирования. [ГОСТ Р 59895-2021, статья 2.1.7]

3.15 надежность СИИУПП: Свойство СИИУПП сохранять во времени способность выполнять требуемые функции в заданных режимах и условиях применения, технического обслуживания, хранения, транспортирования и утилизации.

3.16

оцифровка: Процесс представления в цифровой форме данных, не являющихся дискретными. [ГОСТ Р 52292-2004, статья 7.2.8]

3.17 переработка продукции сельского хозяйства: Технологические операции, связанные с заготовкой сельскохозяйственного сырья и обеспечением его сохранности для последующей (промышленной) переработки или для реализации без дальнейшей переработки.

Примечание - Рассматриваются процессы: тепловая обработка (кроме замораживания и охлаждения), копчение, консервирование, созревание, сквашивание, посол, сушка, маринование, концентрирование, экстракция, экструзия, обеззараживание, очистка, подработка, помол, фракционирование, сепарирование, просеивание, шелушение, плющение, дробление, шлифование, сортировка и другие, а также сочетание этих процессов.

3.18

предиктивная видеоаналитика: Видеоаналитика, предназначенная для прогнозирования развития ситуаций и (или) сценариев в сцене видеонаблюдения. [ГОСТ Р 59385-2021, пункт 16]

3.19 продукты переработки продукции сельского хозяйства растительного происхождения: Продукты переработки зерновых, зернобобовых и масличных культур, полученные в результате технологических процессов переработки (мука, отруби, крупа, масло и т.п.).

3.20 сельскохозяйственная продукция: Продукция сельского хозяйства (растениеводства и животноводства) и лесного хозяйства, прошедшая технологические операции переработки для сохранения качества и обеспечения длительного хранения, используемая в виде сырья в последующей (промышленной) переработке или реализуемая без последующей переработки потребителям.

3.21

система видеонаблюдения: Совокупность функционирующих видеоканалов, программных и технических средств записи и хранения видеоданных, а также программных и/или технических средств управления, осуществляющих информационный обмен между собой. ГОСТ Р 51558-2014, [статья 3.34]

3.22

система искусственного интеллекта: Техническая система, в которой используются технологии искусственного интеллекта. Примечание — Обязательно включают в свой состав одну или более, подсистему, каждая из которых может реализовывать алгоритм искусственного интеллекта. [ГОСТ Р 59277-2020, пункт 3.40]

3.23 скорректированный набор управляющих воздействий: Набор оперативных изменений в базовый набор управляющих воздействий на процессы, формируемый системой искусственного интеллекта на основе интерпретации входных данных об ситуационной обстановке и процессах.

3.24 сортировка: Автоматическая сортировка пищевых продуктов по размеру, форме, цвету или другим признакам.

3.25 степень автономности: Уровень автоматизации управления, при котором все процессы управления осуществляются в автоматическом режиме, а человек-оператор отсутствует.

3.26 тактическое управление процессами: Последовательность действий, включающая в себя: осуществление мониторинга окружающей обстановки, объектов инфраструктуры и участников технологического процесса, своевременное реагирование на окружающие объекты и события и планирование оперативных управляющих воздействий.

3.27

технологии искусственного интеллекта: Комплекс технологических решений, направленных на создание систем искусственного интеллекта. [ГОСТ Р 59277-2020, статья 3.44]

3.28

технологические средства: Вещество или материалы или их производные (за исключением оборудования, упаковочных материалов, изделий и посуды), которые, не являясь компонентами пищевой продукции, преднамеренно используются при переработке продовольственного (пищевого) сырья и (или) при производстве пищевой продукции для выполнения определенных технологических целей и после их достижения удаляются из такого сырья, такой пищевой продукции, или остаточные количества которых не оказывают технологический эффект в готовой пищевой продукции. [[2], статья 4]

3.29 упаковка: Автоматическая упаковка пищевых продуктов с использованием технологий обработки изображений для обеспечения, соблюдения нормативных требований.

3.30

фальсифицированные пищевые продукты, материалы и изделия: Пищевые продукты, материалы и изделия, которые являются умышленно измененными (поддельными) и (или) имеют скрытые свойства и качество и (или) информация о которых является заведомо неполной и (или) недостоверной. [[3], статья 1]

4 Варианты использования искусственного интеллекта для автоматизации управления процессами

Варианты использования искусственного интеллекта в переработке сельскохозяйственной продукции и производстве пищевой продукции подразделяют на следующие сферы:

• выполнение контролирующей и регулирующей функций, основанных на знаниях и закономерностях функционирования алгоритмов, технологиях машинного обучения для контроля и управления качеством входящих и исходящих продукционных и материальных потоков и др., в том числе с помощью системы видеонаблюдения;
• построение моделей устойчивого развития и принятие решений по управлению технологическими процессами в переработке сельскохозяйственной продукции и производстве пищевой продукции;
• контроль и управление качеством сельскохозяйственной продукции на всех этапах технологического процесса производства, в том числе обеспечения безопасности пищевой продукции (см. [2], [4]);
• контроль характеристик условий труда (микроклимата, уровня шума и вибрации и др.), вредных воздействий производственных помещений и технологических участков, в том числе вредного воздействия на человека пищевой продукции;
• выявление и предотвращение болезней пищевого происхождения;
• аутентификация и определение фальсификации, контаминации пищевых продуктов (пример приведен в приложении А);
• обнаружение брака и оценка качества перерабатываемой сельскохозяйственной и пищевой продукции (пример приведен в приложении Б);
• идентификация пищевых продуктов (примеры аналитических подходов приведены в приложении В);
• управление логистическими операциями перемещения и хранением сырья и продукции;
• управление экономикой предприятия по переработке сельскохозяйственной продукции и производству пищевой продукции.

5 Классификация СИИУПП

5.1 СИИУПП классифицируют (см. ГОСТ Р 59277-2020, таблица 1):

• по уровням автоматизации;
• функциям контура управления;
• комплексности и сложности;
• методам обработки информации;
• управлению знаниями, моделям и методам обучения;
• сложности применяемых нейронных сетей;
• уровню дополненной реальности;
• методам достижения интеграции и интероперабельности.

5.2 В зависимости от уровня автоматизации СИИУПП подразделяют на следующие виды:

• автоматизированная система — система, состоящая из персонала (водителя, оператора, лица, принимающего решения) и комплекса средств автоматизации деятельности СИИУПП, реализующая информационную технологию выполнения установленных функций (см. ГОСТ Р 59853, ГОСТ 33707);
• автоматическая система — совокупность управляемого объекта и автономной системы искусственного интеллекта, функционирующая самостоятельно, без участия человека (см. ГОСТ Р 59277).

5.3 В зависимости от функций контура управления СИИУПП подразделяют на следующие виды:

• системы с обратной связью;
• системы реального времени;
• адаптивные системы;
• системы формирования цели (системы целеполагания);
• системы формирования контура управления и обучения;
• системы обработки измерений;
• системы идентификации и диагностики;
• системы когнитивного моделирования;
• системы логического вывода;
• системы принятия (поддержки) решений;
• экспертно-аналитические системы;
• системы оценки достижения цели;
• ситуационные центры;
• системы прогнозирования;
• прочее.

5.4 В зависимости от комплексности и сложности СИИУПП подразделяют на следующие виды:

• многоагентные системы, состоящие из множества взаимодействующих интеллектуальных агентов — могут решить проблемы, которые трудны или невозможны для отдельного агента или для единой (монолитной) системы;
• системы «Большие данные» (см. ГОСТ Р ИСО/МЭК 20546);
• системы сетевой экспертизы;
• распределенные системы управления — обеспечивают решение проблемы управления на базе распределенной системы знаний в отличие от многоагентных систем, где базы знаний отдельных агентов взаимодействуют;
• системы распределенных ситуационных центров (см. ГОСТ Р 59385);
• прочее.

5.5 В зависимости от метода обработки данных СИИУПП подразделяют на следующие виды:

• нейросети (сверточные, глубокого обучения, рекуррентные и другие);
• обучение на примере;
• эволюционные алгоритмы;
• муравьиные алгоритмы;
• иммунные вычисления;
• роевые вычисления;
• метод Байеса;
• уменьшение размерности;
• природные вычисления;
• мягкие вычисления;
• кластеризация;
• дерево решений;
• сетевые решения:
• регуляризация;
• аналоговая обработка данных;
• обработка Фурье-образов;
• регрессия;
• решение обратных задач;
• система правил;
• прочее.

5.6 В зависимости от управления знаниями, моделей и методов обучения СИИУПП подразделяют на следующие виды:

• процедурные;
• декларативные;
• семантические;
• продукционные;
• фреймовые;
• нейросетевые;
• генетические;
• логические;
• онтологический инжиниринг;
• статистические;
• нечеткие знания;
• нечеткая логика;
• многомерное представление (3D, 4D);
• функциональные;
• технологические;
• методологические;
• комбинированное обучение;
• непрерывное обучение;
• единовременное обучение;
• прочее.

5.7 В зависимости от методов достижения интеграции и интероперабельности СИИУПП подразделяют на следующие виды:

• системы с интеграцией на базе онтологий;
• системы на базе профилирования;
• системы, использующие классификаторы;
• прочее.

5.8 В зависимости от сложности применяемых нейронных сетей СИИУПП подразделяют на следующие виды:

• однослойные;
• многослойные;
• прямого распространения;
• рекуррентные;
• прочее.

5.9 В зависимости от уровня дополненной реальности СИИУПП подразделяют на следующие виды:

• совмещение искусственно созданных виртуальных объектов с реальным миром;
• взаимодействие в режиме реального времени;
• работа в объемном режиме 3D;
• прочее.

6 Условия эксплуатации и требования к надежности СИИУПП

6.1 СИИУПП эксплуатируются непрерывно с момента их активации до момента их деактивации.

6.2 Требования к надежности СИИУПП

6.2.1 СИИУПП должны функционировать с минимумом ошибок первого и второго рода при нормальной бесперебойной работе источников входных данных об обстановке и процессах.

Примечание — Определения ошибок первого и второго рода приведены в ГОСТ Р ИСО 3534-1.

6.2.2 При обнаружении неисправностей в работе СИИУПП должны переходить в заданное разработчиком безопасное состояние, уведомив об этом рабочий персонал или инженерно-техническую службу.

6.2.3 Если безопасное состояние СИИУПП не может быть достигнуто путем перехода к нему за незначительный промежуток времени, разработчиком СИИУПП должен быть специфицирован аварийный режим, в том числе остановка процесса.

6.2.4 Если в соответствии с целями безопасности рабочему персоналу или другим лицам, потенциально подвергающимся риску, приводится информация о необходимых действиях, требуется, чтобы такие действия, а также соответствующие средства и элементы управления быть определены в концепции функциональной и экологической безопасности, в том числе предиктивная видеоаналитика (см. ГОСТ Р ИСО 4254-1, ГОСТ ISO 12100).

6.3 СИИУПП должны обеспечивать заданные показатели надежности при использовании источников входных данных о текущей обстановке в любое время года при допустимых значениях внешних условий (температура воздуха, влажность, скорость ветра и пр.), определяемых самостоятельно каждым производителем СИИУПП, в том числе с помощью показаний различных датчиков и их оцифровки.

6.4 СИИУПП должны обеспечивать доверие к системе искусственного интеллекта — уверенность потребителя, и при необходимости, организаций, ответственных за регулирование вопросов создания и применения систем искусственного интеллекта, и иных заинтересованных сторон в том, что система способна выполнять возложенные на нее задачи с требуемым качеством.

6.5 Требования к информационной безопасности СИИУПП должны соответствовать следующим свойствам (см. [5]):

• надежность;
• стабильность;
• восстанавливаемость;
• конфиденциальность;
• устойчивость к ошибке;
• защищенность (виртуальная и физическая);
• помехоустойчивость;
• точность позиционирования;
• обучаемость.

6.6 Конкретные количественные показатели требований к надежности, робастности и безопасности СИИУПП должны быть определены с учетом текущего уровня развития техники и внесены в техническое задание для разработки СИИУПП (см. ГОСТ Р 70462.1, ГОСТ Р ИСО 4254-1, ГОСТ ISO 12100).

6.7 Конкретные количественные показатели условий эксплуатации СИИУПП должны быть определены с учетом текущего уровня развития техники, внесены в техническое задание для разработки СИИУПП и должны соответствовать требованиям к условиям эксплуатации согласно правовым документам (см. ГОСТ Р ИСО/МЭК 9126).

7 Функциональные требования к СИИУПП

7.1 СИИУПП должна обеспечивать следующие функциональные требования:

а) интерпретация входных данных;

б) планирование базового маршрута перемещения технических средств, сырья и продукции;

в) интерпретация входных данных о процессах переработки сельскохозяйственной продукции;

г) мониторинг состояния технологического процесса;

д) контроль и управление микроклиматом в помещениях;

е) мониторинг и контроль качества продукции;

ж) оперативное управление предприятием по переработке сельскохозяйственной продукции и производству пищевой продукции;

и) тактическое управление предприятием по переработке сельскохозяйственной продукции и производству пищевой продукции.

7.2 Интерпретация входных данных подразумевает необходимость осуществлять автоматизированный сбор и анализ данных о текущем состоянии и местоположении технико-технологических средств, технологического процесса, характеристиках и состоянии инфраструктуры предприятия, и других параметрах.

7.3 Планирование базового маршрута на основе входных данных необходимо для разработки оптимального маршрута и соответствующего ему базового набора маневров и управляющих воздействий.

7.4 Оценка обстановки на основе входных данных о ней подразумевает осуществление непрерывной разработки альтернативных скорректированных наборов управляющих воздействий, а также проведение их оптимизации по многофакторному набору критериев, определяющих конечную реакцию СИИУПП на каждое технологическое и управленческое событие (действие).

7.5 Мониторинг и контроль состояния условий труда, микроклимата помещений и окружающей среды необходим для своевременного выявления и обработки ошибок (в том числе на аппаратном уровне) в СИИУПП, а также для перехода в заданное разработчиком безопасное состояние при их устранении.

7.6 При остановке высокоавтоматизированного режима работы (независимо от причины) процедура перезапуска системы автоматизированного управления процессом должна осуществляться исключительно лицом, принимающим решение.

7.7 Выработка управляющих воздействий должна быть реализована в виде генерации данных, содержащих информацию о необходимом наборе управляющих воздействий на исполнительные органы управляемой системы.

Приложение А (справочное)

ПРИМЕР ПРИМЕНЕНИЯ ИИ ДЛЯ АУТЕНТИФИКАЦИИ И ОПРЕДЕЛЕНИЯ ФАЛЬСИФИКАЦИИ СЕЛЬСКОХОЗЯЙСТВЕННОЙ И ПИЩЕВОЙ ПРОДУКЦИИ

Таблица А.1

Инструмент	Техника ИИ	Продукт	Цель	Оценка эффективности
Инфракрасное с преобразованием Фурье (FTIR)	Искусственная нейронная сеть (ИНС)	Оливковое масло	Обнаружение фальсификации оливкового масла кукурузным, соевым и подсолнечным маслами	Точность 100%
NIR-спектрометр	Машина опорных векторов (SVM)	Масло	Выявление фальсификаций в масляном масле	Точность 90%
Инфракрасный (ИК) спектрофотометр	Машина опорных векторов (SVM)	Молоко	Идентификация фальсифицированного молока меламином	Точность 99,05%
Диэлектрическая спектроскопия	Искусственная нейронная сеть (ИНС)	Кунжутное масло	Классификация и количественная оценка фальсификации кунжутного масла	Точность 100%
Ближняя инфракрасная гиперспектральная визуализация	Машина опорных векторов (SVM)	Рыбное блюдо	Фальсификация морской рыбной муки	Точность 99,43%
Гиперспектральная визуализация	Глубокое обучение (CNN)	Баранина	Выявление фальсификации баранины	Точность 99,95%
Система визуализации	Глубокое обучение (CNN)	Баранина	Фальсификация баранины свининой	Точность 82,12%
Спектрофотометр с преобразованием Фурье-NIR	Глубокое обучение (CNN)	Кофе	Обнаружение фальсификации кофе	R2 > 0,98
Гиперспектральная визуализация	Глубокое обучение (CNN)	Морская рыбная мука	Обнаружение фальсификации рыбной муки животными белками	Точность 99,37%
Спектроскопия лазерного пробоя	Глубокое обучение (CNN)	Сухое молоко	Обнаружение фальсификации сухого молока	Точность 97,8%
Оптический микроскоп	Глубокое обучение (CNN)	Оливковое масло первого холодного отжима	Обнаружение фальсификации оливкового масла первого холодного отжима другими растительными маслами	Точность 96%
MIR-спектроскопия	Глубокое обучение (CNN)	Мед	Выявление фальсификации меда сахаром	Точность 97,96%
Гиперспектральная визуализация	Глубокое обучение (CNN)	Пшеничная мука	Обнаружение фальсификации пшеничной муки	Точность 92,45%
Гиперспектральная визуализация	Машина опорных векторов (SVM)	Мед	Обнаружение фальсификации меда сахарными сиропами	Точность 92,5%
Рамановская спектроскопия	Глубокое обучение (CNN)	Мед	Обнаружение фальсификации меда сахарными сиропами	Точность 99,76%
Тепловидение	Глубокое обучение (CNN)	Бараний фарш	Обнаружение фальсификации бараньего фарша свиным	Точность 99,97%
Камера	Глубокое обучение (CNN) ResNet34	Рис	Обнаружение фальсификации риса	Точность 98,8%
Камера	Глубокое обучение (CNN) ResNet34	Масло авокадо	Обнаружение фальсификации масла авокадо	Точность 95%
NIR-спектрометр	Глубокое обучение (CNN)	Пищевые масла	Выявление фальсификации пищевых масел	Точность 97,3%
Диэлектрическая спектроскопия	Машина опорных векторов (SVM)	Кунжутное масло	Выявление фальсификации кунжутного масла	Коэффициент корреляции (R) 0,9604
FTIR	Машина опорных векторов (SVM)	Мед	Обнаружение фальсификации меда	Точность 90,1%
Гиперспектральная визуализация	Машина опорных векторов (SVM)	Морской огурец	Обнаружение фальсификации морского огурца	Точность 97,98%
Рамановская спектроскопия	Машина опорных векторов (SVM)	Маниоковый крахмал	Обнаружение фальсификации крахмала маниоки	Точность 86,9%
Мультиспектральная визуализация	Машина опорных векторов (SVM)	Мясной фарш	Обнаружение фальсификации мясного фарша	Точность 97,78%
Термографическая камера	Глубокое обучение (CNN)	Мед	Обнаружение фальсификации меда	Точность 95%
Матрица возбуждения-эмиссии флуоресценция	Машина опорных векторов (SVM)	Кунжутное масло	Выявление подлинности и фальсификации кунжутного масла	Точность 100%
ATR-FTIR	Машина опорных векторов (SVM)	Мед	Определение фальсификации меда рисовым сиропом	Точность 97,09%
Спектрофотометрия	Искусственная нейронная сеть (ИНС)	Черный чай	Обнаружение кармина в черном чае	Точность 100%
Сенсоры флуоресценции	Искусственная нейронная сеть (ИНС)	Оливковое масло первого отжима	Определение качественных показателей оливкового масла первого отжима	Точность в диапазоне от 91% до 100%
ИК-спектроскопия	Случайный лес	Измельченный мускатный орех	Обнаружение фальсификаций в маслах примулы вечерней и молотом мускатном орехе	Специфичность > 99%
Гиперспектральная визуализация	Машина опорных векторов (SVM)	Говядина	Определение недоброкачественности говядины	Коэффициенты детерминации (R2) 0,94
NIR и FT-MIR	Машина опорных векторов (SVM)	Женьшень	Идентификация сортовой принадлежности женьшеня	Точность 96,65%
Индуцированный лазерный диод	Искусственная нейронная сеть (ИНС)	Оливковое масло первого холодного отжима (EVOO)	Обнаружение фальсификации оливкового масла	Средняя абсолютная ошибка (MAE) 1,5% (вес/вес)
Система гиперспектральной визуализации	Глубокое обучение (CNN)	Арахис	Обнаружение афлатоксина в арахисе	Точность 96%
Система гиперспектральной визуализации	Машина опорных векторов (SVM)	Пшеничная мука	Обнаружение фальсификации пшеничной муки	Точность 100%
Электронный нос	Нечеткие вейвлетные нейронные сети	Говядина	Обнаружение фальсификации говядины	Точность 95,71%
Электронный нос	Машина опорных векторов (SVM)	Шафран	Обнаружение фальсификации шафрана	Цвет: точность 89%, аромат: точность 100%
Спектроскопия ближнего и среднего инфракрасного диапазона	Машина опорных векторов (SVM)	Кунжутное масло	Обнаружение фальсификации кунжутного масла кукурузным маслом	Точность 100%
Лазерно-индуцированная флуоресценция (LIF)	Искусственная нейронная сеть (ANN) и машина опорных векторов (SVM)	Оливковое масло первого холодного отжима (EVOO)	Обнаружение фальсификации оливкового масла	Точность 100%

Инструмент	Техника ИИ	Продукт	Цель	Оценка эффективности
Мультиспектральный	Глубокое обучение (CNN) YOLOv3	Картофель	Обнаружение дефекта картофеля	Точность 90,26%
Vis/NIR	Глубокое обучение (CNN) <*>	Апельсины	Обнаружение повреждений холодом в апельсинах	Точность 91,96%
Камера под лампой накаливания и ультрафиолетовым (УФ) светом	P — CNN	Клубника	Обнаружение помятости после сбора урожая клубники	Оценка F1 0,99
NIR-камеры	Глубокое обучение (CNN) YOLOv4	Яблоко	Обнаружение дефектов в режиме реального времени при сортировке яблок	Точность 93,9%
Изображение NIR-камеры	R — CNN, Yolov3-Tiny и Yolov5s	Яблоко	Раннее обнаружение синяков	Точность более 96%
Рентгеновская микро-КТ	Глубокое обучение (CNN) <*>	Плоды сахарной свеклы	Классификация качества	Точность 98,6%
Рентгеновские КТ	Глубокое обучение (CNN) U-net	Груша	Обнаружение внутренних дефектов	Точность 99,4%
Компьютерное зрение	Глубокое обучение (CNN) ResNet50	Помидоры	Обнаружение внешних дефектов	Точность 94,6%
3D-сканирование	Глубокое обучение (CNN) <*>	Яблоко	Выявление ушибленных яблок	Точность 97,67%
Система визуализации	Искусственная нейронная сеть (ИНС)	Шелковица	Классификация качества	Точность 100%, 98,9% и 98,3%
Лазерно-индуцированное обратное рассеяние света	Глубокое обучение (CNN) <*>	Яблоко	Обнаружение дефекта яблока	Точность 92,5%
Система гиперспектральной визуализации в ближнем инфракрасном диапазоне	Глубокое обучение (CNN) <*>	Черника	Раннее обнаружение внутренних синяков	Точность 81,2%
Гиперспектральная визуализация	Глубокое обучение (CNN) <*>	Клубника	Обнаружение синяков	Точность 99%
Гиперспектральная визуализация	Случайный лес (RF)	Яблоко	Обнаружение синяков	Средняя точность 99,9%
Vis/NIR гиперспектральный	Глубокое обучение (CNN) <*>	Груша	Прогнозирование стойкости аромата груши Корла	Точность 92%
Цветное и тепловизионное изображение	Глубокое обучение (CNN) <*>	Цитрусовые	Обнаружение незрелых плодов	Точность 95,5%
Гиперспектральная визуализация	Машина опорных векторов (SVM)	Черника	Обнаружение синяков	Точность 87,5%
Гиперспектральная визуализация	Глубокое обучение (CNN) <*>	Черника	Внутреннее механическое повреждение	Точность 88%
Гиперспектральная визуализация	Глубокое обучение (CNN) <*>	Огурец	Обнаружение внутреннего дефекта	Точность 91%
Гиперспектральная визуализация	Случайный лес (RF)	Яблоко	Классификация степени повреждения гнилью	Точность 92%
Гиперспектральная визуализация	Случайный лес (RF)	Клубника	Обнаружение грибковой инфекции	Точность 89%
Гиперспектральная отражательная визуализация	Искусственная нейронная сеть (ANN) и машина опорных векторов (SVM) <*>	Персики	Классификация холодовых травм	Точность в диапазоне от 92,96% до 97,28%
Система инфракрасного изображения	Глубокое обучение (CNN) <*>	Яблоко	Обнаружение синяков на яблоках	Точность до 97,67%
Машинное зрение	Искусственная нейронная сеть (ИНС) <*>	Огурец	Классификация качества	Точность 97,1%
<*> Архитектура нейронной сети может быть использована по выбору разработчика.

Тип сенсора	Тип продукта	Идентифицируемый признак	Методы анализа
Фото	Говядина	Порча	HCA, PLSR, PLS-DA
	Лосось	То же	LS-SVM
	Грибы	Повреждение	PCA
	Мясо	Цвет	PCA, ANN & SVM
	Сухое молоко	Подмешивание	SSM
	Говядина, свинина	Фальсификация	HCA, PCA, LDA, PLS-DA
	Креветки	То же	UVE-SPA, LS-SVM
Спектроскопия	Говяжий фарш	Порча	PLSR, GA-GP, GA-ANN, SVR
	Молоко	Фальсификация	PLS & MPLS
	Растительное масло	Транс-жиры	PLSR
	Курица, индейка	Происхождение мяса	PC-DFA, GA-MLR
	Говядина	Фальсификация	PCA, PLSR
Электронный нос	Помидоры	Микробиологическое обсеменение	PCA
	Клубника	Наличие грибковой болезни	PCA, ANN (MPL)
	Сом	Нарушения вкуса	PCA, ANN, QFA
	Персики	Содержание сахара	PCA, LDA, PCR, PLSR
Электронный язык	Клубничный сок	Способ обработки	LDA, PLSR, SVM, RF
Акустический сенсор	Манго	Созревание	PCA, LDA, LDA-ANN
Примечание — В настоящей таблице применены следующие сокращения: PCA — анализ основных компонентов (Principal component analysis), HCA — иерархический кластерный анализ (Hierarchical cluster analysis), PLSR — частичная регрессия методом наименьших квадратов (Partial least squares regression), PLSR-DA — частичный дискриминантный анализ методом наименьших квадратов (Partial least squares discriminant analysis), SVM — метод опорных векторов (Support vector machine), LS-SVM — машина опорных векторов наименьших квадратов (Least squares support vector machine), ANN — искусственная нейронная сеть (Artificial neural network), LDA — линейный дискриминантный анализ (Linear discriminant analysis), UVE-SPA — алгоритм последовательных проекций для устранения неинформативных переменных (Uninformative variable elimination successive projections algorithm), GP — генетическое программирование (Genetic programming), GA — генетический алгоритм (Genetic algorithm), SVR — регрессия опорного вектора (Support vector regression), MPLS — модифицированные частичные наименьшие квадраты (Modified partial least squares), PC-DFA — дискриминантный факторный анализ по основным компонентам (Principal component discriminant factor analysis), MLR — множественная линейная регрессия (Multiple linear regression), MLP — многослойный персептрон (Multilayer perceptron), QFA — анализ факторов качества (Quality factor analysis), PCR — регрессия основного компонента (Principal component regression), RF — случайный лес (Random forest), SSM — измерение спектрального подобия (Spectral similarity measurement).

БИБЛИОГРАФИЯ

[1]	Распоряжение Правительства Российской Федерации от 29 декабря 2021 г. № 3971-р «Об утверждении стратегического направления в области цифровой трансформации отраслей агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года»
[2]	Технический регламент Таможенного союза ТР ТС 021/2011	О безопасности пищевой продукции
[3]	Федеральный закон от 2 января 2000 г. № 29-ФЗ «О качестве и безопасности пищевых продуктов»
[4]	Постановление Правительства Российской Федерации от 25 июля 2006 г. № 458 «Об отнесении видов продукции к сельскохозяйственной продукции и к продукции первичной переработки, произведенной из сельскохозяйственного сырья собственного производства» (в редакции Постановления Правительства Российской Федерации от 30 декабря 2016 г. № 1563)
[5]	Требования к обеспечению защиты информации в автоматизированных системах управления производственными и технологическими процессами на критически важных объектах, потенциально опасных объектах, а также объектах, представляющих повышенную опасность для жизни и здоровья людей и для окружающей природной среды (утверждены Приказом Федеральной службы по техническому и экспортному контролю России от 14 марта 2014 г. № 31)

УДК 004.93.14:006.354	ОКС 35.020
Ключевые слова: искусственный интеллект, автоматизация управления, СИИУПП, технико-технологические средства, классификация, варианты использования, переработка, общие требования

---