Il controllo qualità nel settore alimentare è cruciale e richiede non solo il rispetto delle caratteristiche geometriche e visive, ma anche il controllo di caratteristiche intrinseche di qualità spesso invisibili all’occhio umano. Nel progetto TESORO (TEcnologie avanzate per il SORting automaticO) è stato posto l'ambizioso obiettivo di sviluppare nuovi sistemi di selezione e controllo per macchine automatiche per la produzione alimentare. L'obiettivo è stato quello di utilizzare sistemi di rilevazione iperspettrale e algoritmi di deep learning per la classificazione di ortaggi, al fine di determinare un nuovo standard qualitativo nel sorting automatico. Grazie al metodo sviluppato, la selezione non si basa solamente su aspetti visivi (forma, colore, dimensione, presenza di ammaccature o semi), ma sfrutta la radiazione infrarossa per identificare marcescenze non visibili, misurare il grado di maturazione e identificare in modo semplice oggetti estranei come legno, carta, metallo o insetti.

Grazie alla collaborazione tra Politecnico e aziende nel campo dell'automazione industriale (ISS, Spinoff del Politecnico di Milano che sviluppa sistemi di visione, Raytec, produttore di macchine per il sorting), della robotica (SIPRO, produttore di robot di selezione), e di una cooperativa agricola (COTRAPA 2000) è stata prodotta e testata una linea automatica altamente innovativa.

Il gruppo di ricerca del Politecnico di Milano ha sviluppato un banco prova basato su telecamera iperspettrale AVAL Global, capace di osservare lunghezze d’onda tra 450 e 1700 nm, con risoluzione fisica di 640 pixel.

Sono stati confrontati diversi approcci di classificazione, sia considerando tutti i dati disponibili, sia su dataset a dimensionalità ridotta, esaminando algoritmi di Machine Learning e Deep Learning sia a livello di singolo pixel sia basate oggetti binari (blob).
 
Le loro prestazioni sono state valutate su diversi dataset creati in laboratorio (melanzane crude o grigliate, pomodori, cereali, legumi), utilizzando KPI tipici dell'intelligenza artificiale come accuratezza, precisione, recall, F1-score, sensibilità, specificità e la curva ROC. I valori target dei KPI sono stati definiti in collaborazione con i partner industriali per ogni caratteristica dei vegetali da classificare.

Nell’applicazione finale si è optato per la soluzione a dimensionalità ridotta: è stato implementato un algoritmo basato su PLS-DA che consente di identificare automaticamente le lunghezze d’onda ottimali per discriminare tra ortaggi e i contaminanti catalogati. L’algoritmo è stato fornito al costruttore della macchina, che è ora in grado di selezionare automaticamente i propri parametri di selezione al fine di discriminare gli ortaggi conformi agli standard qualitativi da quelli da scartare sulla base dei prodotti caricati in una sessione di allenamento.
 
È stato implementato dai partner industriali un sistema multispettrale basato sulle lunghezze d’onda indicate dal Politecnico. Il sistema pilota è installato presso la cooperativa agricola COTRAPA ed è in grado di identificare, in tempo reale, uno score per ogni melanzana e scartare, prima della grigliatura, le melanzane non conformi e riposizionare quelle sovrapposte per una grigliatura ottimale.