I Finland har doktorand Jari Isohanni undersökt hur maskininlärning effektivare kan användas för att identifiera färgförändringar i smarta förpackningar.
Jari Isohannis doktorsavhandling inom datateknik vid Vasa universitet visar hur smarta förpackningar i framtiden kan bli mer tillgängliga för förpackningsindustrin. Tryckta förpackningar med färgförändrande bläck och maskinell identifiering av subtila färgskiftningar erbjuder kostnadseffektiva lösningar för exempelvis hälso- och sjukvård, livsmedels-, logistik- och elektronikbranschen.
Tidigare har man inte undersökt när olika färgigenkänningsmetoder bör användas. Isohannis forskning fyller denna lucka genom att jämföra hur maskininlärning och färgmetodik lämpar sig i olika situationer.
– Min forskning visade att vid identifiering av stora färgskillnader räcker traditionella, enkla beräkningsmetoder gott och väl. Vid subtila förändringar och varierande förhållanden var däremot konvolutionsneuronät¹ baserade på artificiell intelligens mest effektiva, förklarar Isohanni.
Rätt metod för rätt ändamål
Funktionella tryckfärger ändrar färg beroende på omständigheter – till exempel vid temperaturhöjning eller ökad fuktighet. Forskningen, som fokuserar på att upptäcka små färgförändringar, öppnar nya möjligheter för industrin jämfört med dagens elektroniska indikatorer.
– Färgförändringen i tryckfärgen är ofta så subtil eller snabb att den inte upptäcks tillräckligt effektivt med nuvarande maskinseende-metoder. När färgskiftningen väl kan identifieras maskinellt kan förändringen redan ha gått för långt eller skadan ha inträffat, illustrerar Isohanni.
AI möjliggör färgigenkänning
Artificiell intelligens möjliggör automatisk färgigenkänning inom industrin med nästan samma noggrannhet som det mänskliga ögat, vilket ger nya verktyg för bland annat kvalitetskontroll. Även konsumenter kan dra nytta av forskningen, till exempel genom lösningar som visar livsmedels eller andra produkters skick. Den bläckindikator som användes i avhandlingen kan tryckas direkt på förpackningen tillsammans med etiketten, och kostnaden är minimal jämfört med elektroniska smarta förpackningslösningar.
– Dyra elektroniska mätare kan inte sättas på exempelvis salladsförpackningar, eftersom de skulle utgöra en stor del av produktens pris eller skapa återvinningsproblem. Tryckta indikatorer löser detta problem, säger Isohanni.
Forskningen banar väg för ett miljövänligt alternativ som kan effektivisera processer och förbättra konsumentinformationen. Resultaten kan användas inom livsmedelsindustrin för hållbarhetsövervakning, inom sjukvården för indikatorer, inom logistiken för att kontrollera transportförhållanden samt inom elektronikbranschen för att upptäcka fukt- och temperaturrelaterade skador.
¹Ett konvolutionellt neuralt nätverk är en typ av feedforward neuralt nätverk som lär sig funktioner via filteroptimering. Denna typ av nätverk för djupinlärning har använts för att bearbeta och göra förutsägelser från många olika typer av data inklusive text, bilder och ljud.
