out = cv2.VideoWriter("output_video.mp4", cv2.VideoWriter_fourcc(*"mp4v"), 30, (frame.shape[1], frame.shape[0])) while video.isOpened(): ret, frame = video.read() if not ret: break results = model(frame) for box in results.boxes: x1, y1, x2, y2, conf, cls = box.xyxy[0], box.conf, box.cls label = f"{results.names[int(cls)]} {conf:.2f}" cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) out.write(frame) video.release() out.release() Νοθεία τροφίμων - και Τεχνητή Νοημοσύνη | fqt-consulting out = cv2.VideoWriter("output_video.mp4", cv2.VideoWriter_fourcc(*"mp4v"), 30, (frame.shape[1], frame.shape[0])) while video.isOpened(): ret, frame = video.read() if not ret: break results = model(frame) for box in results.boxes: x1, y1, x2, y2, conf, cls = box.xyxy[0], box.conf, box.cls label = f"{results.names[int(cls)]} {conf:.2f}" cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) out.write(frame) video.release() out.release()
top of page
ΝΟΘ�ΕΙΑ ΤΡΟΦΙΜΩΝ.jpg
  • Νοθεία / Παραποίηση τροφίμων

  • Ο ρόλος της τεχνητής νοημοσύνης στην  ανίχνευση Νοθείας  στα Τρόφιμα  

  • Τεχνικές ανίχνευσης νοθείας και ο ρόλος των εργαλείων της τεχνητής νοημοσύνης (AI) στον έλεγχο της ταυτότητας τροφίμων

  • Περίπτωση μελέτης-“Εικονικό” παράδειγμα κατανόησης : Προϊόντα επεξεργασίας  κρέατος

Picture5.png

Συντάκτης : Βασίλειος Τσουκαλάς – δρ. Χημικός Τροφίμων :      Mobile : +30 6944861418  email : qualitec46@gmail.com

Η Νοθεία  στα τρόφιμα  συνδέεται  με θέματα απάτης – αισχροκέρδιας  καθώς και με  θέματα, που άπτονται της Υγείας και των συμφερόντων του καταναλωτή .

Στην  εργασία αυτή παρουσιάζονται  διάφορα εργαλεία/τεχνικές  τεχνητής νοημοσύνης  και τον τρόπο με τον οποίο αυτά επικουρούν την κλασική Αναλυτική  στον εντοπισμό νοθείας και παραποίησης  / γνησιότητας τροφίμων ) με τη βοήθεια  διαφόρων μεθόδων   και δεδομένων .

Από  βιβλιογραφικά δεδομένα  - παρουσιάζονται τα πλεονεκτήματα της χρήσης μοντέλων μηχανικής μάθησης σε συδυασμό με κλασικές τεχνικές και τον τρόπο με τον οποίο διαφορετικές μεθοδολογίες   μπορούν να βελτιώσουν τον εντοπισμό  νοθείας σε τρόφιμα, ειδικά όσον αφορά στην αυθεντικότητα της σύνθεσης και την επισήμανση προϊόντων επεξεργασίας κρέατος .

Με βάση μια περίπτωση μελέτης και  με ένα "θεωρητικό-εικονικό "  παράδειγμα  εφαρμογής    δοκιμών  ανίχνευσης της γνησιότητας ενός προϊόντος επεξεργασίας κρέατος , η εργασία υπεισέρχεται σε  τεχνικές τεχνητής νοημοσύνης που εφαρμόζονται σε συνδυαστικά με δεδομένα για εντοπισμό  υποκατάστασης αυθεντικού είδους ( κρέας) σε επεξεργασμένα προϊόντα κρέατος,  θερμικής επεξεργασίας.

 

Πηγές πληροφόρησης υπήρξαν ειδικές επιστημονικές αναφορές που εστιάζουν στη νοθεία και την απάτη στον τομέα των τροφίμων, συμπεριλαμβανομένης της έρευνας σχετικά με τις τεχνικές ανίχνευσης και τον ρόλο της τεχνητής νοημοσύνης .

πιν περ. ΝΟΘΕΙΑ ΤΡΟΦ. ΑΙ.png

Βεβαιώστε  αποδοχή  της πολιτικής απορρήτου και των όρων χρήσης 

ΑΠΟΔΟΧΗ
ΑΠΟΡΡΙΨΗ

Ο Ιστότοπος δεν έχει επαγγελματικό / εμπορικό χαρακτήρα -

Δεν φιλοξενεί  διαφημίσεις 

bottom of page
out = cv2.VideoWriter("output_video.mp4", cv2.VideoWriter_fourcc(*"mp4v"), 30, (frame.shape[1], frame.shape[0])) while video.isOpened(): ret, frame = video.read() if not ret: break results = model(frame) for box in results.boxes: x1, y1, x2, y2, conf, cls = box.xyxy[0], box.conf, box.cls label = f"{results.names[int(cls)]} {conf:.2f}" cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) out.write(frame) video.release() out.release()